論文の概要: PESD-TSF: A Period-Aware and Explicit Structured Decomposition Framework for Long-Term Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2605.16449v1
• Date: Fri, 15 May 2026 03:11:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.324321
• Title: PESD-TSF: A Period-Aware and Explicit Structured Decomposition Framework for Long-Term Time Series Forecasting
• Title（参考訳）: PESD-TSF:長期連続予測のための周期的・明示的構造化分解フレームワーク
• Abstract要約: PESD-TSFは、長期連続予測のための物理に着想を得た構造化分解フレームワークである。 信号振幅を変調し、深い層をまたいだ周期構造を保存するために、連続した時間前処理を組み込む。 ベンチマークデータセットの実験は、PESD-TSFが一貫して最先端のパフォーマンスを達成することを示した。
• 参考スコア（独自算出の注目度）: 6.1337977581640075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep forecasting models often suffer from attenuated periodic perception and entangled trend-noise representations as network depth increases. Moreover, the widely adopted channel-independent paradigm, while improving training stability, disrupts intrinsic dynamic coordination among variables, hindering the modeling of cross-variable consistency in multivariate time series. To address these issues, we propose PESD-TSF, a physics-inspired structured decomposition framework for long-term time series forecasting that jointly emphasizes interpretability and predictive accuracy. PESD-TSF introduces three key designs. First, a Multiplicative Periodic Gating mechanism incorporates continuous-time priors to dynamically modulate signal amplitudes, preserving periodic structures across deep layers. Second, a multi-scale structured encoder integrates detrended attention with hierarchical sampling to explicitly decouple long-term trends from high-frequency variations while retaining fine-grained temporal semantics. Third, to recover disrupted inter-variable dependencies, we propose Cross-Scale Collaborative Attention (CSCA) together with an RLC regularization scheme, which reconstructs global inter-variable topology in deep feature spaces and enforces physically consistent collaboration through orthogonality and consistency constraints. Extensive experiments on benchmark datasets from multiple domains demonstrate that PESD-TSF consistently achieves state-of-the-art performance, with particularly strong gains on multivariate forecasting tasks involving complex inter-variable coupling, highlighting its superior structural modeling capability and generalization.
• Abstract（参考訳）: 深層予測モデルは、ネットワーク深度が増加するにつれて、周期的知覚の減衰と絡み合ったトレンドノイズ表現に悩まされることが多い。 さらに、訓練安定性を改善しつつ、広く採用されているチャネル非依存パラダイムは、変数間の固有の動的調整を阻害し、多変量時系列におけるクロス変数一貫性のモデル化を妨げる。 これらの問題に対処するため,PESD-TSFを提案する。これは物理学にヒントを得た長期時系列予測のための構造化分解フレームワークで,解釈可能性と予測精度を両立させる。 PESD-TSFは3つの重要な設計を導入した。 まず、多重周期ゲーティング機構は、信号振幅を動的に変調し、深い層をまたいだ周期構造を保存するために、連続時間前処理を組み込む。 第二に、マルチスケール構造化エンコーダは、時間的セマンティクスを微妙に保ちながら、高周波数変動から長期トレンドを明確に切り離すために、遅延注意と階層的サンプリングを統合する。 第三に、分散した変数間の依存関係を回復するために、直交性や一貫性の制約によって、グローバルな変数間トポロジを深い特徴空間で再構築し、物理的に一貫した協調を強制するRCC正規化スキームとともに、クロススケール協調注意(CSCA)を提案する。 PESD-TSFは、複雑な相互結合を含む多変量予測タスクにおいて特に大きな利益をもたらし、その優れた構造モデリング能力と一般化を浮き彫りにしている。

関連論文リスト

• DySCo: Dynamic Semantic Compression for Effective Long-term Time Series Forecasting [6.800568640042171]
  時系列予測は、金融、気象学、エネルギーといった分野において重要である。 本稿では,これらの課題に対処する動的意味圧縮(DySCo)フレームワークを提案する。 DySCoは汎用的なプラグイン・アンド・プレイモジュールとして機能し、主要なモデルが長期的相関を捉える能力を大幅に強化する。
  論文  参考訳（メタデータ） (2026-04-01T12:40:23Z)
• 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)
• Long-Term Multi-Session 3D Reconstruction Under Substantial Appearance Change [52.46888249268445]
  長期の環境モニタリングには、数ヶ月または数年ごとに分割された繰り返しサイト訪問で3Dモデルを再構築し調整する機能が必要である。 既存のアプローチは、独立して再構築されたセッションのポストホックアライメントに依存している。 我々は,共同SfM再建において,クロスセッション対応を直接実施することを提案する。
  論文  参考訳（メタデータ） (2026-02-24T06:12:51Z)
• A Decomposition-based State Space Model for Multivariate Time-Series Forecasting [0.0]
  本稿では,3つの並列状態空間モデル分岐を用いたエンドツーエンド分解フレームワークを提案する。 標準ベンチマーク全体では、DecompSSMは強力なベースラインを上回り、コンポーネントワイドな状態空間モデルとグローバルなコンテキスト改善の組み合わせの有効性を示した。
  論文  参考訳（メタデータ） (2026-02-05T07:17:08Z)
• Improving Day-Ahead Grid Carbon Intensity Forecasting by Joint Modeling of Local-Temporal and Cross-Variable Dependencies Across Different Frequencies [3.1953619915392246]
  グリッドカーボン強度係数(CIF)の正確な予測は、現代の電力システムにおける需要側管理と排出削減に不可欠である。 ディープラーニングベースの手法の進歩にもかかわらず、きめ細かい局所的依存関係を捉えることは依然として困難である。 2つの並列モジュールを統合する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2026-01-10T11:20:55Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• MSTN: Fast and Efficient Multivariate Time Series Model [0.0]
  階層型マルチスケールおよびシーケンスモデリングの原理に基づいて構築された,新しいディープラーニングアーキテクチャであるMulti-scale Temporal Network(MSTN)を紹介する。 MSTNは、局所パターンのための階層的な特徴ピラミッドを構築する畳み込みエンコーダと、長距離時間依存のためのシーケンスモデリングコンポーネントを統合する。 時系列長軸予測, 計算, 分類, 一般化可能性調査における広範囲な評価は, MSTNがSOTA(コントラスト・オブ・ザ・アーティファクト)のパフォーマンスを達成することを示すものである。
  論文  参考訳（メタデータ） (2025-11-25T18:09:42Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。