論文の概要: FTimeXer: Frequency-aware Time-series Transformer with Exogenous variables for Robust Carbon Footprint Forecasting

• arxiv url: http://arxiv.org/abs/2604.02347v1
• Date: Mon, 16 Feb 2026 04:19:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.318374
• Title: FTimeXer: Frequency-aware Time-series Transformer with Exogenous variables for Robust Carbon Footprint Forecasting
• Title（参考訳）: FTimeXer:ロバストカーボンフットプリント予測のための外因性変数を持つ周波数対応時系列変換器
• Authors: Qingzhong Li, Yue Hu, Zhou Long, Qingchang Ma, Hui Ma, Jinhai Sa,
• Abstract要約: FTimeXerは、堅牢なトレーニングスキームで設計された周波数対応の時系列変換器である。 3つの実世界のデータセットで実施された実験は、強いベースラインよりも一貫した改善を示している。
• 参考スコア（独自算出の注目度）: 9.490269019309943
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and up-to-date forecasting of the power grid's carbon footprint is crucial for effective product carbon footprint (PCF) accounting and informed decarbonization decisions. However, the carbon intensity of the grid exhibits high non-stationarity, and existing methods often struggle to effectively leverage periodic and oscillatory patterns. Furthermore, these methods tend to perform poorly when confronted with irregular exogenous inputs, such as missing data or misalignment. To tackle these challenges, we propose FTimeXer, a frequency-aware time-series Transformer designed with a robust training scheme that accommodates exogenous factors. FTimeXer features an Fast Fourier Transform (FFT)-driven frequency branch combined with gated time-frequency fusion, allowing it to capture multi-scale periodicity effectively. It also employs stochastic exogenous masking in conjunction with consistency regularization, which helps reduce spurious correlations and enhance stability. Experiments conducted on three real-world datasets show consistent improvements over strong baselines. As a result, these enhancements lead to more reliable forecasts of grid carbon factors, which are essential for effective PCF accounting and informed decision-making regarding decarbonization.
• Abstract（参考訳）: 電力グリッドの炭素フットプリントの正確な予測と最新の予測は、有効製品炭素フットプリント(PCF)の会計および情報化決定に不可欠である。 しかし、格子の炭素強度は高い非定常性を示し、既存の手法は周期的および振動的パターンを効果的に活用するのに苦労することが多い。 さらに、これらの手法は、不規則な外因性入力(データ不足や誤認識など)に直面すると、性能が低下する傾向にある。 これらの課題に対処するために、外因性要因に対応する堅牢なトレーニングスキームを備えた周波数対応時系列変換器FTimeXerを提案する。 FTimeXerは、FFT(Fast Fourier Transform)駆動の周波数ブランチとゲート時間-周波数融合を組み合わせて、マルチスケールの周期性を効果的に捉えることができる。 また、確率的外因性マスキングと整合正則化を併用し、急激な相関を減少させ、安定性を高める。 3つの実世界のデータセットで実施された実験は、強いベースラインよりも一貫した改善を示している。 その結果、これらの拡張により、効率的なPCF会計および脱炭に関する情報決定に不可欠なグリッドカーボンファクターの信頼性が向上した。

関連論文リスト

• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• Towards Non-Stationary Time Series Forecasting with Temporal Stabilization and Frequency Differencing [24.5925492214521]
  時系列はしばしば時間分布シフトやスペクトルの変動を含む非定常性を示す。 本稿では、時間領域と周波数領域の両方で非定常性に対処する二分岐フレームワークDTAFを提案する。
  論文  参考訳（メタデータ） (2025-11-11T13:30:38Z)
• 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)
• Powerformer: A Transformer with Weighted Causal Attention for Time-series Forecasting [50.298817606660826]
  我々は,非因果重みをスムーズな重み付き崩壊に応じて再加重する因果重みに置き換える新しいトランスフォーマーであるPowerformerを紹介する。 我々の実証実験の結果,Powerformer は公開時系列ベンチマークで最先端の精度を達成できた。 分析の結果、トレーニング中にモデルの局所性バイアスが増幅され、時系列データとパワールールに基づく注意の相互作用が示されることがわかった。
  論文  参考訳（メタデータ） (2025-02-10T04:42:11Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)

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。