論文の概要: Nested Spatio-Temporal Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2605.16447v2
• Date: Tue, 19 May 2026 15:48:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.454982
• Title: Nested Spatio-Temporal Time Series Forecasting
• Title（参考訳）: Nested Spatio-Temporal Time Series Forecasting
• Authors: Yinghao Ai, Yukai Zhou, Ruoxi Jiang, Junyi An, Chao Qu, Zhijian Zhou, Shiyu Wang, Fenglei Cao, Zenglin Xu, Furao Shen, Yuan Qi,
• Abstract要約: マイクロレベルの歴史的観測と将来のマクロレベルの地域動向を結びつけるネスト予測フレームワークを提案する。 具体的には、スペクトルクラスタリングに基づく手法を用いてセマンティック・コヒーレントな領域を構築する。 我々はこれらの代表的特徴を推論プロセスに統合するプログレッシブ粗大予測器を開発した。
• 参考スコア（独自算出の注目度）: 37.72264188106367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatiotemporal forecasting is critical for real-world applications like traffic management, yet capturing reliable interactions remains challenging under noisy and non-stationary conditions. Existing methods primarily rely on historical spatial priors, often failing to account for evolving temporal correlations and suffering from systematic errors. In this work, we propose a nested forecasting framework that couples future macro-level regional trends with micro-level historical observations, enabling top-down guidance from abstract future representations for fine-grained forecasting. Specifically, we employ a spectral clustering-based approach to construct semantically coherent regions, providing both theoretical and empirical evidence that this representation effectively filters systematic noise while preserving essential trends. Building on this, we develop a progressive coarse-to-fine predictor to integrate these representative features into the inference process. This enables the model to leverage trend predictions to anticipate dynamic anomalies, such as periodic offsets, in advance. Furthermore, extensive experiments on multiple high-dimensional datasets demonstrate that our method consistently outperforms state-of-the-art baselines, validating the effectiveness of future macro-guided nested forecasting.
• Abstract（参考訳）: 時空間予測は、交通管理のような現実世界のアプリケーションにとって重要であるが、ノイズや非定常条件下では信頼性の高いインタラクションを捉えることは依然として困難である。 既存の手法は主に歴史的空間的先行性に依存しており、しばしば時間的相関の進化と体系的な誤りに苦しむことを説明できない。 本研究では,マクロレベルの地域動向をマイクロレベルの歴史的観測と組み合わせたネスト予測フレームワークを提案し,より詳細な予測を行うための抽象的な未来表現からのトップダウンガイダンスを可能にする。 具体的には、スペクトルクラスタリングに基づく手法を用いてセマンティック・コヒーレントな領域を構築し、この表現が本質的な傾向を保ちながら体系的な雑音を効果的にフィルタリングするという理論的および実証的な証拠を提供する。 これに基づいて、これらの代表的特徴を推論プロセスに統合するプログレッシブ粗い予測器を開発する。 これにより、モデルがトレンド予測を利用して、周期的なオフセットなどの動的異常を事前に予測することができる。 さらに、複数の高次元データセットに対する広範な実験により、我々の手法は最先端のベースラインを一貫して上回り、将来のマクロ誘導ネスト予測の有効性を検証している。

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)
• 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)
• Generative forecasting with joint probability models [2.8367488114717094]
  カオス力学系は初期条件に対して強い感度を示し、しばしば未解決のマルチスケールプロセスを含む。 生成モデルは、可算なシステムの進化よりも分布を学習することで、魅力的な代替手段を提供する。 共同生成モデルにより,短期予測能力の向上,アトラクタ幾何の保存,およびより正確な長距離統計的挙動が得られた。
  論文  参考訳（メタデータ） (2025-12-30T20:00:09Z)
• 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)
• Deconfounding Time Series Forecasting [1.5967186772129907]
  時系列予測は様々な領域において重要な課題であり、正確な予測は情報的な意思決定を促進する。 従来の予測手法は、しばしば将来の結果を予測するために変数の現在の観測に依存している。 本稿では,過去のデータから得られた潜在的共同設立者の表現を取り入れた予測手法を提案する。
  論文  参考訳（メタデータ） (2024-10-27T12:45:42Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• ProbTS: Benchmarking Point and Distributional Forecasting across Diverse Prediction Horizons [23.9530536685668]
  本稿では,基本的な予測ニーズを評価するための統一プラットフォームとして設計されたベンチマークツールであるProbTSを紹介する。 異なる予測条件から生じる特徴的データの特徴を識別する。 本稿では, 時系列予測の最新モデルについて検討し, 方法論的強度と弱点の分析も適用可能であることを明らかにする。
  論文  参考訳（メタデータ） (2023-10-11T12:48:45Z)
• RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
  古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。 本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。 粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
  論文  参考訳（メタデータ） (2021-06-10T21:49:23Z)
• Simultaneously Reconciled Quantile Forecasting of Hierarchically Related Time Series [11.004159006784977]
  本稿では,階層間の予測の整合性を維持するために,量子レグレッション損失を最適化するフレキシブル非線形モデルを提案する。 ここで導入された理論的枠組みは、下層の微分可微分損失関数を持つ任意の予測モデルに適用できる。
  論文  参考訳（メタデータ） (2021-02-25T00:59:01Z)

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。