論文の概要: Dimensional Balance Improves Large Scale Spatiotemporal Prediction Performance

• arxiv url: http://arxiv.org/abs/2605.18793v1
• Date: Mon, 11 May 2026 06:29:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 21:37:32.33141
• Title: Dimensional Balance Improves Large Scale Spatiotemporal Prediction Performance
• Title（参考訳）: 次元バランスによる大規模時空間予測性能の向上
• Authors: Jing Chen, Shixiang Pan, Yujie Fan, Haocheng Ye, Haitao Xu, Wenqiang Xu,
• Abstract要約: 既存の方法はパフォーマンスのボトルネックに直面し、通常はインクリメンタルな利得しか得られない。 我々はこのボトルネックを空間的・時間的エントロピー測定によって分析する。 空間的特徴表現と時間的特徴表現を調和させるスケーラブルで適応的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 16.190938610237588
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate spatiotemporal pattern analysis is critical in fields such as urban traffic, meteorology, and public health monitoring. However, existing methods face performance bottlenecks, typically yielding only incremental gains and often exhibiting limited cross-domain transferability. We analyze this bottleneck through spatial and temporal entropy measures, which are used as diagnostic indicators of spatiotemporal complexity mismatch rather than as guarantees that entropy alignment alone yields better forecasting. Empirically, larger mismatch is often accompanied by higher prediction uncertainty, especially under a fixed model-capacity budget. Guided by this diagnostic, we propose a scalable, adaptive framework that harmonizes spatial and temporal feature representations. Spatial dimensionality is compressed via low-rank matrix embedding to preserve essential structure, while an extended temporal horizon captures long-range dependencies and mitigates cumulative errors arising from temporal heterogeneity. Extensive experiments on urban traffic, meteorological, and epidemic datasets demonstrate substantial accuracy gains and broad applicability across the evaluated domains, suggesting that the framework is promising for a wide range of spatiotemporal tasks beyond the current study. The code is available on GitHub at https://github.com/ST-Balance/ST-Balance.
• Abstract（参考訳）: 正確な時空間パターン分析は、都市交通、気象学、公衆衛生モニタリングなどの分野において重要である。 しかし、既存のメソッドはパフォーマンスのボトルネックに直面しており、通常はインクリメンタルなゲインしか得られず、ドメイン間の転送性が制限されることが多い。 このボトルネックを,空間的・時間的エントロピー測定によって分析し,エントロピーアライメントだけで予測精度の向上が保証されるのではなく,時空間的複雑性ミスマッチの診断指標として用いる。 経験的に、より大きなミスマッチは、特に固定されたモデル容量の予算の下で、高い予測の不確実性を伴うことが多い。 本稿では,空間的特徴表現と時間的特徴表現を調和させる,スケーラブルで適応的なフレームワークを提案する。 空間次元は, 基本構造を維持するために低ランク行列埋め込みにより圧縮され, 拡張時空間水平線は時間的不均一性による累積誤差を緩和する。 都市交通, 気象, 流行のデータセットに関する広範囲にわたる実験は, 評価領域間での精度向上と広範囲な適用性を示し, 本フレームワークが現在の研究を超えて幅広い時空間的タスクを約束していることを示唆している。 コードはGitHubでhttps://github.com/ST-Balance/ST-Balanceで公開されている。

関連論文リスト

• Nested Spatio-Temporal Time Series Forecasting [37.72264188106367]
  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。
  論文  参考訳（メタデータ） (2026-05-15T02:06:31Z)
• 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)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• Optimal Look-back Horizon for Time Series Forecasting in Federated Learning [26.070107882914844]
  本稿では,フェデレート時系列予測における適応的地平面選択の原理的枠組みを提案する。 我々は予測損失をベイズ項に分解し、既約不確実性を反映する。 予測損失の総和は、既約損失が飽和し始める最小の地平線で最小化され、近似損失は増加し続けることを示す。
  論文  参考訳（メタデータ） (2025-11-16T21:46:54Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• ST-ReP: Learning Predictive Representations Efficiently for Spatial-Temporal Forecasting [7.637123047745445]
  自己監督的手法は空間的時間的表現の学習にますます適応している。 現在の値再構成と将来の値予測は、事前学習フレームワークに統合される。 予測能力を高めるために,マルチタイムスケール分析を自己監督的損失に組み込む。
  論文  参考訳（メタデータ） (2024-12-19T05:33:55Z)
• 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)
• 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。