論文の概要: TailedTS: Benchmark Dataset for Heavy-Tailed Time Series Prediction and Periodicity Quantification

• arxiv url: http://arxiv.org/abs/2605.16361v1
• Date: Sat, 09 May 2026 13:56:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.291824
• Title: TailedTS: Benchmark Dataset for Heavy-Tailed Time Series Prediction and Periodicity Quantification
• Title（参考訳）: TailedTS: ヘビータイラー時系列予測と周期的定量化のためのベンチマークデータセット
• Abstract要約: TailedTSは2024年を通してウィキペディアの時間ごとのページビューから派生した大規模なベンチマークデータセットである。 データセットは月間約300万のウィキペディアページにまたがる約2469億のデータポイントで構成されている。
• 参考スコア（独自算出の注目度）: 13.689287416279916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present TailedTS, a large-scale benchmark dataset derived from Wikipedia hourly page view observations throughout 2024, specifically designed to test time series forecasting models under heavy-tailed, zero-inflated, and non-Gaussian conditions. The dataset comprises approximately 24.69 billion data points spanning roughly 3 million unique Wikipedia pages per month, stored in high-efficiency Apache Parquet format. Wikipedia traffic follows a pronounced power-law distribution where roughly 5% of pages account for over 70% of total page views, creating a natural and rigorous testbed for model robustness against extreme volatility that are absent from or underrepresented in existing benchmarks such as M4, M5, and UCI electricity datasets. TailedTS enables several research tasks. First, we introduce a periodicity quantification framework based on sparse autoregression with sparsity and non-negativity constraints, revealing that frequently-viewed pages exhibit significantly weaker periodic structure than their less-viewed counterparts, showing direct implications for server allocation and traffic forecasting on large digital platforms. Second, we provide standardized prediction benchmarks evaluated under a suite of non-Gaussian loss functions, including $\ell_1$-norm, Huber, quantile, and $\ell_p$-norm losses, demonstrating that standard Gaussian-based estimators degrade substantially on high-volume page categories, while robust alternatives provide consistent gains across all traffic scales. TailedTS is publicly available at https://doi.org/10.5281/zenodo.17070469.
• Abstract（参考訳）: 我々は2024年を通してウィキペディアの時間的ページビュー観測から派生した大規模ベンチマークデータセットであるTailedTS を提示し、特に重尾、ゼロインフレ、非ガウス条件下で時系列予測モデルをテストするように設計されている。 データセットは月間約300万のウィキペディアページにまたがる約2469億のデータポイントで構成され、効率のよいApache Parquet形式で格納されている。 Wikipediaのトラフィックは、約5%のページビューが全ページビューの70%以上を占めており、M4、M5、UCIなどの既存のベンチマークから欠落または不足している極度のボラティリティに対するモデルロバスト性に対する、自然で厳格なテストベッドを作成している。 TailedTSはいくつかの研究タスクを可能にする。 まず、スパースオートレグレスと非ネガティビティ制約に基づく周期性定量化フレームワークを導入し、頻繁に閲覧されるページは、あまり閲覧されていないページよりも非常に弱い周期構造を示し、大規模なデジタルプラットフォーム上でのサーバ割り当てやトラフィック予測に直接的な影響を示すことを示した。 第二に、ガウスの損失関数群($\ell_1$-norm, Huber, Quantile, $\ell_p$-norm)で評価された標準化された予測ベンチマークを提供し、標準ガウスベースの推定器が高ボリュームのページカテゴリで大幅に劣化し、ロバストな代替手段が全てのトラフィックスケールで一貫した利得を提供することを示した。 TailedTSはhttps://doi.org/10.5281/zenodo.17070469で公開されている。

関連論文リスト

• RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
  固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。 本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。 累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
  論文  参考訳（メタデータ） (2026-06-23T02:11:04Z)
• QuitoBench: A High-Quality Open Time Series Forecasting Benchmark [32.21290355342465]
  時系列予測は、ファイナンス、ヘルスケア、クラウドコンピューティングにおいて重要である。 時系列予測のための状態バランスのベンチマークであるtextscQuitoBenchを紹介する。
  論文  参考訳（メタデータ） (2026-03-27T02:24:34Z)
• It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
  時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。 我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。 静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
  論文  参考訳（メタデータ） (2026-02-12T16:31:01Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
  EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。 キャリブレーションされた予測とテールアウェアのリスク推定を提供する。 産業監視、天気予報、衛星診断などの高度な分野に適用できる。
  論文  参考訳（メタデータ） (2026-01-26T23:15:20Z)
• Benchmark Datasets for Lead-Lag Forecasting on Social Platforms [30.166429756385767]
  リードラグ予測:早期使用チャンネル(リード)が与えられると、相関するが時間的に変化する結果チャネル(ラグ)を予測する。 我々は、arXivとGitHubの2つの高ボリュームベンチマークデータセットと、類似のリードラグダイナミックスを備えた追加ドメインの概要を提示する。 我々のデータセットは、長年にわたって長い水平運動を捉え、結果の全スペクトルにまたがって、リードラグ予測のための理想的なテストベッドを提供します。
  論文  参考訳（メタデータ） (2025-11-05T21:47:28Z)
• ARIMA_PLUS: Large-scale, Accurate, Automatic and Interpretable In-Database Time Series Forecasting and Anomaly Detection in Google BigQuery [5.170341372465115]
  時系列予測と異常検出は、小売、製造、広告、エネルギーといった産業の実践者にとって一般的な課題である。 ARIMA_PLUSは、(a)正確かつ解釈可能な時系列モデルと(b)スケーラブルで完全に管理されたシステムインフラストラクチャのユニークな組み合わせによって、これらの2つの課題を克服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） (2025-10-28T14:18:50Z)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• Output Scaling: YingLong-Delayed Chain of Thought in a Large Pretrained Time Series Forecasting Model [55.25659103706409]
  このフレームワークは,設計した基盤モデルであるYingLongの最先端性能を実現する。 YingLongは、マスク付きトークンリカバリによってトレーニングされた非因果的双方向アテンションエンコーダのみのトランスフォーマーである。 我々は、6Mから3Mパラメータの4つの基礎モデルをリリースし、ゼロショットタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2025-05-20T14:31:06Z)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting [54.04430089029033]
  本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。 Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。 このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-12T12:29:32Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)

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。