論文の概要: LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling

• arxiv url: http://arxiv.org/abs/2605.10292v1
• Date: Mon, 11 May 2026 09:54:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.710964
• Title: LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling
• Title（参考訳）: LeapTS: 時系列予測を適応型マルチ水平スケジューリングとして再考
• Authors: Sheng Pan, Ming Jin, Bo Du, Shirui Pan,
• Abstract要約: 本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
• 参考スコア（独自算出の注目度）: 74.94985663101906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series forecasting serves as an essential tool for many real-world applications, supporting tasks such as resource optimization and decision-making. Despite significant architectural advancements, most modern models still treat forecasting task as a fixed mapping from history to target horizons. This induces temporal decoupling across future time points and limits the model's ability to adapt to the evolving context as forecasting progresses. In this work, we present LeapTS, a novel framework that reformulates time series forecasting as a dynamic scheduling process over the prediction horizon. Specifically, LeapTS organizes the forecasting process into multi-level decisions using: (1) the hierarchical controller to dynamically select the optimal prediction scale and advancement length at each step, and (2) continuous-time state evolution driven by neural controlled differential equations. Within this process, the controlled update mechanism explicitly couples the irregular temporal dynamics with discrete scheduling feedback. Extensive evaluations on both real-world and synthetic datasets demonstrate that LeapTS improves overall forecasting performance by at least 7.4% while achieving a 2.6$\times$ to 5.3$\times$ inference speedup over representative Transformer-based models. Furthermore, by explicitly tracing the scheduling trajectories, we reveal how the model autonomously adapts its forecasting behavior to capture non-stationary dynamics.
• Abstract（参考訳）: 時系列予測は、リソース最適化や意思決定といったタスクをサポートする多くの現実世界アプリケーションにとって不可欠なツールである。 建築の進歩にもかかわらず、現代のほとんどのモデルは、歴史から目標の地平線への固定されたマッピングとして予測タスクを扱い続けている。 これにより、将来の時間点を横断する時間的疎結合が引き起こされ、予測が進むにつれて、モデルが進化する状況に適応する能力を制限する。 本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワークである LeapTSを紹介する。 具体的には、LeapTSは、(1)各ステップで最適な予測スケールと進行長を動的に選択する階層型コントローラ、(2)ニューラル制御微分方程式によって駆動される連続時間状態の進化を用いて、予測プロセスをマルチレベル決定に編成する。 このプロセス内では、制御された更新機構は、不規則な時間的ダイナミクスと離散的なスケジューリングフィードバックとを明示的に結合する。 実世界のデータセットと合成データセットの両方に対する広範囲な評価によると、 LeapTSはTransformerベースのモデルよりも2.6$\times$から5.3$\times$推論スピードアップを達成する一方で、全体的な予測性能を少なくとも7.4%改善している。 さらに、スケジューリング軌跡を明示的に追跡することにより、モデルが予測動作に自律的に適応して非定常力学を捉える方法を明らかにする。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• 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)
• Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
  エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。 ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
  論文  参考訳（メタデータ） (2026-02-02T08:01:11Z)
• TS2Vec-Ensemble: An Enhanced Self-Supervised Framework for Time Series Forecasting [1.2461503242570642]
  本稿では,時系列予測のための新しいハイブリッドフレームワークTS2Vec-Ensembleを紹介する。 我々のアプローチは、周期周期を符号化する明示的でエンジニアリングされた時間特徴を融合することにより、事前訓練されたTS2Vecエンコーダから、強力で暗黙的に学習されたダイナミクスを強化する。 その結果、TS2Vec-Ensembleは標準のTS2Vecベースラインや他の最先端モデルよりも一貫して、大幅に優れていた。
  論文  参考訳（メタデータ） (2025-11-27T12:19:18Z)
• Adaptive Output Steps: FlexiSteps Network for Dynamic Trajectory Prediction [0.0]
  様々な状況条件に基づいて動的に出力時間ステップを予測する新しいフレームワークであるFlexiSteps Network (FSN)を紹介した。 FSNのプラグアンドプレイを保証するため、動的デコーダ(DD)も設計します。
  論文  参考訳（メタデータ） (2025-08-25T08:43:08Z)
• 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)
• Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations [15.797295258800638]
  本稿では,実世界のデータでしばしば発生する課題に対処するために,時系列計算と予測のための新しいモデリング手法を提案する。 本手法はシリーズの進化力学の連続時間依存モデルに依存する。 メタラーニングアルゴリズムによって駆動される変調機構は、観測されたタイムウインドウを超えて、見えないサンプルや外挿への適応を可能にする。
  論文  参考訳（メタデータ） (2023-06-09T13:20:04Z)
• 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。