論文の概要: DSPR: Dual-Stream Physics-Residual Networks for Trustworthy Industrial Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2604.07393v1
• Date: Wed, 08 Apr 2026 06:21:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.441571
• Title: DSPR: Dual-Stream Physics-Residual Networks for Trustworthy Industrial Time Series Forecasting
• Title（参考訳）: DSPR: 信頼できる産業時系列予測のためのデュアルストリーム物理残留ネットワーク
• Authors: Yeran Zhang, Pengwei Yang, Guoqing Wang, Tianyu Li,
• Abstract要約: 本研究では,定常時間パターンを状態依存的残留力学から明示的に分離する予測フレームワークを提案する。 DSPRは、システミックシフト時の予測精度とロバストさを一貫して改善する。 平均保存精度は99%を超え、総変量比は97.2%に達する。
• 参考スコア（独自算出の注目度）: 14.844711734126681
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasting of industrial time series requires balancing predictive accuracy with physical plausibility under non-stationary operating conditions. Existing data-driven models often achieve strong statistical performance but struggle to respect regime-dependent interaction structures and transport delays inherent in real-world systems. To address this challenge, we propose DSPR (Dual-Stream Physics-Residual Networks), a forecasting framework that explicitly decouples stable temporal patterns from regime-dependent residual dynamics. The first stream models the statistical temporal evolution of individual variables. The second stream focuses on residual dynamics through two key mechanisms: an Adaptive Window module that estimates flow-dependent transport delays, and a Physics-Guided Dynamic Graph that incorporates physical priors to learn time-varying interaction structures while suppressing spurious correlations. Experiments on four industrial benchmarks spanning heterogeneous regimes demonstrate that DSPR consistently improves forecasting accuracy and robustness under regime shifts while maintaining strong physical plausibility. It achieves state-of-the-art predictive performance, with Mean Conservation Accuracy exceeding 99% and Total Variation Ratio reaching up to 97.2%. Beyond forecasting, the learned interaction structures and adaptive lags provide interpretable insights that are consistent with known domain mechanisms, such as flow-dependent transport delays and wind-to-power scaling behaviors. These results suggest that architectural decoupling with physics-consistent inductive biases offers an effective path toward trustworthy industrial time-series forecasting. Furthermore, DSPR's demonstrated robust performance in long-term industrial deployment bridges the gap between advanced forecasting models and trustworthy autonomous control systems.
• Abstract（参考訳）: 産業時系列の正確な予測には、非定常運転条件下での物理的可視性と予測精度のバランスが必要である。 既存のデータ駆動モデルは、しばしば強い統計性能を達成するが、現実のシステムに固有の状態に依存した相互作用構造や輸送遅延を尊重するのに苦労する。 この課題に対処するため,DSPR(Dual-Stream Physics-Residual Networks)を提案する。 第1ストリームは、個々の変数の統計的時間進化をモデル化する。 第2のストリームは、フロー依存のトランスポート遅延を推定するAdaptive Windowモジュールと、素早い相関を抑えながら時間変化の相互作用構造を学習する物理誘導動的グラフである。 不均一なレシエーションにまたがる4つの産業ベンチマークの実験では、DSPRは強い物理的妥当性を維持しつつ、レシエーションシフトの下で予測精度とロバスト性を一貫して改善することを示した。 平均保存精度は99%を超え、総変量比は97.2%に達する。 予測以外にも、学習された相互作用構造と適応的な遅延は、フロー依存輸送遅延や風間スケーリングの振る舞いなど、既知のドメインメカニズムと整合した解釈可能な洞察を提供する。 これらの結果は、物理に一貫性のある帰納的バイアスとアーキテクチャの疎結合が、信頼できる産業時系列予測への有効な道のりであることを示唆している。 さらに、DSPRの長期産業展開における堅牢な性能は、高度な予測モデルと信頼できる自律制御システムとのギャップを橋渡しする。

関連論文リスト

• Transformer self-attention encoder-decoder with multimodal deep learning for response time series forecasting and digital twin support in wind structural health monitoring [0.0]
  ここでは, 風による新しい変圧器手法の構造応答予測機能について検討する。 このアプローチでは、システムの時間的特性を使用して予測モデルをトレーニングする。 特定されたケースは、構造変化の早期警戒指標として使用される。
  論文  参考訳（メタデータ） (2026-04-02T07:25:44Z)
• Parallel BiLSTM-Transformer networks for forecasting chaotic dynamics [24.960864709838436]
  本研究では,Transformer と Bidirectional Long Short-Term Memory Network を統合した並列予測フレームワークを提案する。 提案したハイブリッドモデルはデュアルブランチアーキテクチャを採用しており、Transformerブランチは主に長距離依存関係をキャプチャする。 結果は、提案されたハイブリッドフレームワークがタスク間でシングルブランチアーキテクチャの両方より優れていることを一貫して示している。
  論文  参考訳（メタデータ） (2025-10-27T16:17:10Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
  本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。 我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。 ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
  論文  参考訳（メタデータ） (2022-08-05T09:36:55Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。