論文の概要: Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables

• arxiv url: http://arxiv.org/abs/2603.15802v1
• Date: Mon, 16 Mar 2026 18:33:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:06.943981
• Title: Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables
• Title（参考訳）: 外因性変数を用いたゼロショット予測のための時間的前処理ネットワーク
• Authors: Andres Potapczynski, Ravi Kiran Selvam, Tatiana Konstantinova, Shankar Ramasubramanian, Malcolm Wolff, Kin G. Olivares, Ruijun Ma, Mengfei Cao, Michael W. Mahoney, Andrew Gordon Wilson, Boris N. Oreshkin, Dmitry Efimov,
• Abstract要約: 我々は、(PFNとは違って)時間認識の事前データ適合型ネットワーク(PFN)であるApolloPFNを開発した。 i) PFNが時系列に適用されたときに発生する障害モードを解決するために調整された合成データ生成手順,(ii)時系列コンテキストを利用するのに必要な帰納的バイアスを埋め込んだ時間アウェアなアーキテクチャ修正。
• 参考スコア（独自算出の注目度）: 59.37476887007663
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many time series forecasting settings, the target time series is accompanied by exogenous covariates, such as promotions and prices in retail demand; temperature in energy load; calendar and holiday indicators for traffic or sales; and grid load or fuel costs in electricity pricing. Ignoring these exogenous signals can substantially degrade forecasting accuracy, particularly when they drive spikes, discontinuities, or regime and phase changes in the target series. Most current time series foundation models (e.g., Chronos, Sundial, TimesFM, TimeMoE, TimeLLM, and LagLlama) ignore exogenous covariates and make forecasts solely from the numerical time series history, thereby limiting their performance. In this paper, we develop ApolloPFN, a prior-data fitted network (PFN) that is time-aware (unlike prior PFNs) and that natively incorporates exogenous covariates (unlike prior univariate forecasters). Our design introduces two major advances: (i) a synthetic data generation procedure tailored to resolve the failure modes that arise when tabular (non-temporal) PFNs are applied to time series; and (ii) time-aware architectural modifications that embed inductive biases needed to exploit the time series context. We demonstrate that ApolloPFN achieves state-of-the-art results across benchmarks, such as M5 and electric price forecasting, that contain exogenous information.
• Abstract（参考訳）: 多くの時系列予測設定では、目標とする時系列には、小売需要の促進や価格、エネルギー負荷の温度、交通や販売の日程や休日の指標、電力価格のグリッド負荷や燃料コストなどの外因性共変量が含まれている。 これらの外因性シグナルを無視することは、特にスパイク、不連続性、あるいはターゲット系列における状態と位相変化を駆動する場合、予測精度を著しく低下させる可能性がある。 現在の時系列基礎モデル(例えば、Chronos、Sundial、TimeFM、TimeMoE、TimeLLM、LagLlama)は外因性共変を無視し、数値時系列履歴からのみ予測を行い、性能を制限している。 本稿では,前データ対応ネットワーク(PFN)であるApolloPFNを開発した。 私たちのデザインには2つの大きな進歩があります。 一 表状(非時間的)PFNが時系列に適用されたときに発生する故障の態様を解決するために調整された合成データ生成方法 (II)時系列コンテキストを利用するために必要な帰納的バイアスを埋め込んだ、タイムアウェアなアーキテクチャ修正。 我々は、ApolloPFNが、外因性情報を含むM5や電気価格予測などのベンチマークで最先端の結果を達成することを実証した。

関連論文リスト

• Accelerating Time Series Foundation Models with Speculative Decoding [46.99742287518152]
  大規模トランスフォーマーベースのモデルは、時系列予測において最先端のパフォーマンスを達成したが、高い計算コストに悩まされている。 本稿では、投機的復号化を自己回帰時系列モデルに適応させる一般的な推論加速フレームワークを提案する。 我々のアプローチでは、より小さな"ドラフト"モデルを用いて、将来の時系列パッチを提案し、さらに大きな"ターゲット"モデルによって並列に検証する。
  論文  参考訳（メタデータ） (2025-11-22T21:04:57Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• How Much Can Time-related Features Enhance Time Series Forecasting? [27.030553080458716]
  時間関連機能であるTime Stamp Forecaster (TimeSter) をエンコードするモジュールを導入する。 TimeSterは単一の線形プロジェクタの性能を大幅に改善し、ElectricityやTrafficなどのベンチマークデータセットで平均23%MSEを削減している。
  論文  参考訳（メタデータ） (2024-12-02T14:45:26Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting [13.253624747448935]
  時系列予測は、産業機器の保守、気象学、エネルギー消費、交通流、金融投資など、様々な分野で重要な役割を果たしている。 現在のディープラーニングベースの予測モデルは、予測結果と基礎的真実の間に大きな違いを示すことが多い。 本稿では、時系列をトレンドと季節成分に分解する2つのホライズンズにおける周波数領域注意モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:37:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。