論文の概要: PAMod: Modeling Cyclical Shifts via Phase-Amplitude Modulation for Non-stationary Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2605.00466v1
• Date: Fri, 01 May 2026 07:09:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.887292
• Title: PAMod: Modeling Cyclical Shifts via Phase-Amplitude Modulation for Non-stationary Time Series Forecasting
• Title（参考訳）: PAMod:非定常時系列予測のための位相振幅変調による周期シフトのモデル化
• Authors: Yingbo Zhou, Yutong Ye, Shuhao Li, Rui Qian, Qiang Huang, Lemao Liu, Li Sun, Dejing Dou,
• Abstract要約: 正規化特徴空間における位相振幅変調による循環分布シフトをモデル化するフレームワークPAModを提案する。 PAModは計算資源を減らして最先端の性能を実現する。 我々の変調機構は,プラグイン・アンド・プレイ技術として,既存の時系列予測手法を簡易な統合で改善することができる。
• 参考スコア（独自算出の注目度）: 59.88916926133985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world time series forecasting faces the fundamental challenge of non-stationary statistical properties, including shifts in mean and variance over time. While reversible instance normalization (RevIN) has shown promise by stationarizing inputs and denormalizing outputs, it relies on the strong assumption that historical and future distributions remain identical. We observe that in many practical applications, distribution shifts follow cyclical patterns that correlate with periodic positions (e.g., seasonal and holiday volatility). To this end, we propose PAMod, a lightweight yet powerful framework that models cyclical distribution shifts via Phase-Amplitude Modulation in the normalized feature space. PAMod learns periodic embeddings to modulate representations: phase modulation captures mean shifts, while amplitude modulation adapts to variance changes. Crucially, we prove mathematically that modulating in normalized space is equivalent to applying dynamic denormalization, offering an elegant unification of distribution adaptation and representation learning. Extensive experiments on twelve real-world benchmarks demonstrate that PAMod achieves state-of-the-art performance with fewer computational resources. Furthermore, our modulation mechanism, as a novel plug-and-play technique, can improve existing time-series forecasting methods with simple integration.
• Abstract（参考訳）: 実世界の時系列予測は、平均のシフトや時間的変動を含む非定常統計特性の根本的な課題に直面している。 可逆なインスタンス正規化(RevIN)は入力の定常化と出力の非正規化によって約束されているが、これは歴史的および将来の分布が同じであるという強い仮定に依存している。 多くの実践的応用において,分布変化は周期的な位置(季節変動,休日変動など)と相関する循環パターンに従うことが観察された。 この目的のために,正規化された特徴空間における位相振幅変調による循環分布シフトをモデル化する軽量かつ強力なフレームワークPAModを提案する。 位相変調は平均シフトを捉え、振幅変調は分散変化に適応する。 重要なことは、正規化空間における変調が動的非正規化の適用と等価であることを数学的に証明し、分布適応と表現学習のエレガントな統一を提供する。 12の実世界のベンチマークに対する大規模な実験により、PAModは計算資源を減らして最先端のパフォーマンスを達成することを示した。 さらに,新たなプラグイン・アンド・プレイ手法である変調機構により,既存の時系列予測手法を簡易な統合で改善することができる。

関連論文リスト

• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  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。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• APT: Affine Prototype-Timestamp For Time Series Forecasting Under Distribution Shift [15.750544852008867]
  Affine Prototype Timestamp (APT) は,グローバルな分散機能を正規化予測パイプラインに注入する軽量で柔軟なプラグインモジュールである。 APTは入力と出力の両方を変調するアフィンパラメータを生成し、バックボーンは自己管理型の分散対応クラスタリングインスタンスから学習することができる。
  論文  参考訳（メタデータ） (2025-11-17T03:56:53Z)
• 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)
• 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)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• 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)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Distributional Drift Adaptation with Temporal Conditional Variational Autoencoder for Multivariate Time Series Forecasting [41.206310481507565]
  本稿では,時間経過に伴う動的分布依存をモデル化するための時間的条件変動自動符号化(TCVAE)を提案する。 TCVAEは、依存関係を時間的条件分布として推論し、潜伏変数を活用する。 現状のMTS予測ベースラインに対して,TCVAEの強靭性と有効性を示す。
  論文  参考訳（メタデータ） (2022-09-01T10:06:22Z)

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。