論文の概要: TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2603.17436v1
• Date: Wed, 18 Mar 2026 07:21:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.565497
• Title: TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting
• Title（参考訳）: TimeAPN: 時系列予測のための適応振幅位相非定常正規化
• Authors: Yue Hu, Jialiang Tang, Siwei Yu, Baosheng Yu, Jing Zhang, Dacheng Tao,
• Abstract要約: TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
• 参考スコア（独自算出の注目度）: 67.91113180885601
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-stationarity is a fundamental challenge in multivariate long-term time series forecasting, often manifested as rapid changes in amplitude and phase. These variations lead to severe distribution shifts and consequently degrade predictive performance. Existing normalization-based methods primarily rely on first- and second-order statistics, implicitly assuming that distributions evolve smoothly and overlooking fine-grained temporal dynamics. To address these limitations, we propose TimeAPN, an Adaptive Amplitude-Phase Non-Stationarity Normalization framework that explicitly models and predicts non-stationary factors from both the time and frequency domains. Specifically, TimeAPN first models the mean sequence jointly in the time and frequency domains, and then forecasts its evolution over future horizons. Meanwhile, phase information is extracted in the frequency domain, and the phase discrepancy between the predicted and ground-truth future sequences is explicitly modeled to capture temporal misalignment. Furthermore, TimeAPN incorporates amplitude information into an adaptive normalization mechanism, enabling the model to effectively account for abrupt fluctuations in signal energy. The predicted non-stationary factors are subsequently integrated with the backbone forecasting outputs through a collaborative de-normalization process to reconstruct the final non-stationary time series. The proposed framework is model-agnostic and can be seamlessly integrated with various forecasting backbones. Extensive experiments on seven real-world multivariate datasets demonstrate that TimeAPN consistently improves long-term forecasting accuracy across multiple prediction horizons and outperforms state-of-the-art reversible normalization methods.
• Abstract（参考訳）: 非定常性は、多変量長期時系列予測における基本的な課題であり、しばしば振幅と位相の急激な変化として表される。 これらのバリエーションは、分布シフトを重くし、結果として予測性能を低下させる。 既存の正規化に基づく手法は主に一階と二階の統計に依存しており、分布が滑らかに進化し、微粒な時間ダイナミクスを見渡すことを暗黙的に仮定している。 このような制約に対処するため,時間領域と周波数領域の両方から非定常因子を明示的にモデル化・予測する適応振幅-位相非定常正規化フレームワークであるTimeAPNを提案する。 具体的には、TimeAPNはまず、平均シーケンスを時間領域と周波数領域で共同でモデル化し、その後、将来の地平線上での進化を予測する。 一方、周波数領域において位相情報を抽出し、予測された未来系列と未来系列との位相差を明示的にモデル化し、時間的ミスアライメントをキャプチャする。 さらに、TimeAPNは振幅情報を適応正規化機構に組み込んで、信号エネルギーの急激な変動を効果的に説明できるようにする。 予測された非定常因子は、最終的な非定常時系列を再構築するために協調的な非正規化プロセスを通じて、バックボーン予測出力と統合される。 提案するフレームワークはモデルに依存しないため,様々な予測バックボーンとシームレスに統合することができる。 7つの実世界の多変量データセットに対する大規模な実験により、TimeAPNは複数の予測地平線をまたいだ長期予測精度を一貫して改善し、最先端の可逆正規化手法より優れていることが示された。

関連論文リスト

• 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)
• Wavelet-based Disentangled Adaptive Normalization for Non-stationary Times Series Forecasting [23.34966767653385]
  時系列予測における非定常性に対処するために、ウェーブレットに基づく不整合適応正規化(WDAN)を提案する。 WDANは離散ウェーブレット変換を用いて入力を低周波数トレンドと高周波変動に分解する。 複数のベンチマークの実験では、WDANは様々なバックボーンモデルにおける予測精度を一貫して改善している。
  論文  参考訳（メタデータ） (2025-06-06T08:25:29Z)
• Lightweight Channel-wise Dynamic Fusion Model: Non-stationary Time Series Forecasting via Entropy Analysis [25.291749176117662]
  我々は、分散が時系列の非定常性に対する有効かつ解釈可能なプロキシであることを示す。 軽量なtextitChannel-wise textitDynamic textitFusion textitModel(textitCDFM)を提案する。 7つの時系列データセットに関する総合的な実験は、CDFMの優位性と一般化能力を示している。
  論文  参考訳（メタデータ） (2025-03-04T13:29:42Z)
• 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)
• Robust Multivariate Time Series Forecasting against Intra- and Inter-Series Transitional Shift [40.734564394464556]
  本稿では,時系列内/時系列間の相関関係を統合的に把握し,時変遷移分布をモデル化するための統一確率グラフモデルを提案する。 6つの高定常MTSデータセットに対する広範囲な実験により、JointPGMの有効性と効率を検証した。
  論文  参考訳（メタデータ） (2024-07-18T06:16:03Z)
• IN-Flow: Instance Normalization Flow for Non-stationary Time Series Forecasting [38.4809915448213]
  固定統計量に依存しない時系列予測のための分離された定式化を提案する。 また、時系列変換のための新しい可逆ネットワークであるインスタンス正規化フロー(IN-Flow)を提案する。
  論文  参考訳（メタデータ） (2024-01-30T06:35:52Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)

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。