論文の概要: Accurate and Efficient Multi-Channel Time Series Forecasting via Sparse Attention Mechanism

• arxiv url: http://arxiv.org/abs/2603.18712v1
• Date: Thu, 19 Mar 2026 10:11:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.07914
• Title: Accurate and Efficient Multi-Channel Time Series Forecasting via Sparse Attention Mechanism
• Title（参考訳）: スパースアテンション機構による高精度かつ効率的なマルチチャネル時系列予測
• Authors: Lei Gao, Hengda Bao, Jingfei Fang, Guangzheng Wu, Weihua Zhou, Yun Zhou,
• Abstract要約: 本稿では,マルチチャネル時系列予測のための新しいアーキテクチャであるLinear-Network(Li-Net)を提案する。 Li-Netはシーケンスやチャネル次元の表現を圧縮し、非線形モジュールを通じて情報を処理し、その後予測を再構築する。 中心となるイノベーションは、マルチモーダルな埋め込みをシームレスに組み込んだり、融合させたりできることです。
• 参考スコア（独自算出の注目度）: 5.742623694016163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of multi-channel time series forecasting is ubiquitous in numerous fields such as finance, supply chain management, and energy planning. It is critical to effectively capture complex dynamic dependencies within and between channels for accurate predictions. However, traditional method paid few attentions on learning the interaction among channels. This paper proposes Linear-Network (Li-Net), a novel architecture designed for multi-channel time series forecasting that captures the linear and non-linear dependencies among channels. Li-Net dynamically compresses representations across sequence and channel dimensions, processes the information through a configurable non-linear module and subsequently reconstructs the forecasts. Moreover, Li-Net integrates a sparse Top-K Softmax attention mechanism within a multi-scale projection framework to address these challenges. A core innovation is its ability to seamlessly incorporate and fuse multi-modal embeddings, guiding the sparse attention process to focus on the most informative time steps and feature channels. Through the experiment results on multiple real-world benchmark datasets demonstrate that Li-Net achieves competitive performance compared to state-of-the-art baseline methods. Furthermore, Li-Net provides a superior balance between prediction accuracy and computational burden, exhibiting significantly lower memory usage and faster inference times. Detailed ablation studies and parameter sensitivity analyses validate the effectiveness of each key component in our proposed architecture. Keywords: Multivariate Time Series Forecasting, Sparse Attention Mechanism, Multimodal Information Fusion, Non-linear relationship
• Abstract（参考訳）: マルチチャネル時系列予測のタスクは、金融、サプライチェーン管理、エネルギー計画など、多くの分野で広く行われている。 正確な予測のために、チャネル内およびチャネル間の複雑な動的依存関係を効果的にキャプチャすることが重要である。 しかし、従来の手法はチャンネル間の相互作用を学ぶことにはほとんど注意を払わなかった。 本稿では,チャネル間の線形および非線形の依存関係をキャプチャするマルチチャネル時系列予測のための新しいアーキテクチャであるLinear-Network(Li-Net)を提案する。 Li-Netはシーケンスやチャネル次元の表現を動的に圧縮し、構成可能な非線形モジュールを通じて情報を処理し、その後予測を再構築する。 さらに、Li-Netは、これらの課題に対処するために、マルチスケールのプロジェクションフレームワークに、スパースなTop-K Softmaxアテンションメカニズムを統合する。 中心となるイノベーションは、マルチモーダルな埋め込みをシームレスに組み込んだり、融合させたりできることです。 複数の実世界のベンチマークデータセットの実験結果から、Li-Netは最先端のベースライン手法と比較して競争性能が向上することを示した。 さらに、Li-Netは予測精度と計算負荷のバランスが良く、メモリ使用量が大幅に低下し、推論時間が短縮される。 詳細なアブレーション研究とパラメータ感度分析により,提案アーキテクチャにおける各キーコンポーネントの有効性が検証された。 キーワード:多変量時系列予測、スパースアテンションメカニズム、マルチモーダル情報融合、非線形関係

関連論文リスト

• Accurate and Efficient Multivariate Time Series Forecasting via Offline Clustering [22.545533166145706]
  セグメンツ(FOCUS)を用いたオフラインクラスタリングによるフォアキャスタの導入 FOCUSは、長距離依存性モデリングを単純化するMTS予測の新しいアプローチである。 最先端の精度を実現し、計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2025-05-09T02:34:06Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• DisenTS: Disentangled Channel Evolving Pattern Modeling for Multivariate Time Series Forecasting [43.071713191702486]
  DisenTSは、一般的な時系列予測において、不整合チャネル進化パターンをモデル化するための調整されたフレームワークである。 本稿では,予測器の状態と入力系列の特性の両方に応じて適応的にルーティング信号を生成する,新しいフォアキャスタ・アウェアゲート(FAG)モジュールを提案する。
  論文  参考訳（メタデータ） (2024-10-30T12:46:14Z)
• Reprogramming Foundational Large Language Models(LLMs) for Enterprise Adoption for Spatio-Temporal Forecasting Applications: Unveiling a New Era in Copilot-Guided Cross-Modal Time Series Representation Learning [0.0]
  パティオ時間予測は、輸送システム、物流、サプライチェーン管理など、様々な分野において重要な役割を担っている。 本稿では,オープンソースの大規模・小規模言語モデル(LLM,LM)と従来の予測手法を組み合わせたハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2024-08-26T16:11:53Z)
• SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
  時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。 本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:06:35Z)
• CSformer: Combining Channel Independence and Mixing for Robust Multivariate Time Series Forecasting [3.6814181034608664]
  本稿では,チャネル独立戦略と時系列解析の混合手法を提案する。 CSformerは,2段階のマルチヘッド自己保持機構を備えた新しいフレームワークである。 本フレームワークは,シーケンスアダプタとチャネルアダプタを効果的に組み込んで,重要な情報を識別するモデルの能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-12-11T09:10:38Z)
• TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
  パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。 結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-02T16:45:19Z)

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。