論文の概要: TriTS: Time Series Forecasting from a Multimodal Perspective

• arxiv url: http://arxiv.org/abs/2604.16748v1
• Date: Fri, 17 Apr 2026 23:43:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.157399
• Title: TriTS: Time Series Forecasting from a Multimodal Perspective
• Title（参考訳）: TriTS:マルチモーダル視点による時系列予測
• Authors: Xiang Ao,
• Abstract要約: 時系列予測は、金融、エネルギー、輸送、気象学といった重要な分野において重要な役割を果たしている。 本稿では,時間,周波数,2次元空間に1次元時系列を投影する新しいクロスモーダル・ディコンタングルメント・フレームワークであるTriTSを提案する。 TriTSは、パラメータ数と推論の両方を大幅に削減することで、既存のビジョンベースの予測器を根本的に上回り、最先端(SOTA)性能を達成する。
• 参考スコア（独自算出の注目度）: 8.124083509364981
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series forecasting plays a pivotal role in critical sectors such as finance, energy, transportation, and meteorology. However, Long-term Time Series Forecasting (LTSF) remains a significant challenge because real-world signals contain highly entangled temporal dynamics that are difficult to fully capture from a purely 1D perspective. To break this representation bottleneck, we propose TriTS, a novel cross-modal disentanglement framework that projects 1D time series into orthogonal time, frequency, and 2D-vision spaces.To seamlessly bridge the 1D-to-2D modality gap without the prohibitive $O(N^2)$ computational overhead of Vision Transformers (ViTs), we introduce a Period-Aware Reshaping strategy and incorporate Visual Mamba (Vim). This approach efficiently models cross-period dependencies as global visual textures while maintaining linear computational complexity. Complementing this, we design a Multi-Resolution Wavelet Mixing (MR-WM) module for the frequency modality, which explicitly decouples non-stationary signals into trend and noise components to achieve fine-grained time-frequency localization. Finally, a streaming linear branch is retained in the time domain to anchor numerical stability. By dynamically fusing these three complementary representations, TriTS effectively adapts to diverse data contexts. Extensive experiments across multiple benchmark datasets demonstrate that TriTS achieves state-of-the-art (SOTA) performance, fundamentally outperforming existing vision-based forecasters by drastically reducing both parameter count and inference latency.
• Abstract（参考訳）: 時系列予測は、金融、エネルギー、輸送、気象学といった重要な分野において重要な役割を果たしている。 しかし、実世界の信号は、純粋に1次元の視点から完全に捉えるのが困難である高度に絡み合った時間的ダイナミクスを含むため、LTSF(Long-term Time Series Forecasting)は依然として重要な課題である。 この表現ボトルネックを解消するために,TriTS は1D 時系列を直交時間,周波数,2D ビジョン空間に射影する新しいクロスモーダル・ディコンタングルメント・フレームワークであり,禁止された$O(N^2)$の視覚変換器の計算オーバーヘッドを伴わずに1D から 2D のモダリティギャップをシームレスにブリッジするために,周期認識変換戦略を導入し,ビジュアル・マンバ(Vim)を組み込む。 このアプローチは、線形計算複雑性を維持しながら、グローバルな視覚テクスチャとして、周期間の依存関係を効率的にモデル化する。 そこで我々は,周波数変調のためのMR-WM(Multi-Resolution Wavelet Mixing)モジュールを設計した。 最後に、ストリーミング線形分岐を時間領域に保持し、数値安定性を確保させる。 これら3つの補完表現を動的に融合することにより、TriTSは多様なデータコンテキストに効果的に適応する。 複数のベンチマークデータセットにわたる大規模な実験は、TriTSが最新技術(SOTA)のパフォーマンスを実現し、パラメータカウントと推論レイテンシの両方を大幅に削減することで、既存のビジョンベースの予測器を根本的に上回っていることを示している。

関連論文リスト

• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters [50.43534351968113]
  既存の生成時系列モデルは、時系列データの多次元特性にうまく対応していない。 動画生成にテキストガイダンスを組み込んだマルチモーダル拡散変換器に着想を得て,Diffusion Transformer for Time Series (DiTS)を提案する。
  論文  参考訳（メタデータ） (2026-02-06T10:48:13Z)
• T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion [0.4915744683251151]
  T3Timeは、時間、スペクトル、プロンプトブランチで構成される新しい3モーダルフレームワークである。 予測地平線に基づいて時間的特徴とスペクトル的特徴の優先順位付けを学習する。 我々のモデルは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-06T09:31:44Z)
• VISTA: Unsupervised 2D Temporal Dependency Representations for Time Series Anomaly Detection [42.694234312755285]
  時系列異常検出(TSAD)は、ラベルのない時系列データの中で稀で潜在的に有害な事象を明らかにするのに不可欠である。 本稿では,これらの課題を克服するために,トレーニング不要で教師なしのTSADアルゴリズムであるVISTAを紹介する。
  論文  参考訳（メタデータ） (2025-04-03T11:20:49Z)
• Beyond Fixed Variables: Expanding-variate Time Series Forecasting via Flat Scheme and Spatio-temporal Focal Learning [9.205228068704141]
  現実世界のアプリケーションでは、Cyber-Physical Systemsはしばしば新しいセンサーが登場するにつれて拡張され、MTSFの変数が増加する。 本課題は,(1)新しい変数の追加による不整合データ処理,(2)時間的不整合学習に対処する,というユニークな課題を提示する。 これらの課題に対処するため, フレキシブル時間予測フレームワークSTEVを提案する。
  論文  参考訳（メタデータ） (2025-02-21T08:43:26Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)
• Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
  複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。 提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
  論文  参考訳（メタデータ） (2020-11-08T10:40:26Z)

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。