論文の概要: TA-SparseMG: Trend-Aware Sparse Forecasting via Multi-Scale Gating for Long-Term Time Series

• arxiv url: http://arxiv.org/abs/2606.27908v1
• Date: Fri, 26 Jun 2026 09:57:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.446995
• Title: TA-SparseMG: Trend-Aware Sparse Forecasting via Multi-Scale Gating for Long-Term Time Series
• Title（参考訳）: TA-SparseMG:長期化のためのマルチスケールゲーティングによるトレンド対応スパース予測
• Abstract要約: 本研究では,SparseTSFのスパース・クロスタイム・モデリング・フレームワーク上に構築された,軽量なクロス周期予測モデルTA-SparseMGを提案する。 トレンド対応の正規化モジュール、スケール適応型denoisingモジュール、ゲートアテンション予測モジュールの3つの重要なモジュールが組み込まれている。 複数のLTSFベンチマークによる実験により、提案したTA-SparseMGは、常に優れた安定した性能を達成できることを示した。
• 参考スコア（独自算出の注目度）: 6.394123470044826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term time series forecasting finds extensive applications in domains such as power demand, traffic flow, meteorological observation, and renewable energy dispatch. Forecasting dynamically varying long-term time series poses inherent challenges, including statistical nonstationarity, local high-frequency disturbances, and coupled cross-period dependencies, which make it difficult for lightweight models to balance parameter efficiency and forecasting performance. To address this issue, this study presents TA-SparseMG, a lightweight cross-period forecasting model built on SparseTSF's sparse cross-period modeling framework. It incorporates three key modules: a trend-aware reversible instance normalization module, a scale-adaptive gated denoising module, and a multiscale gated-attention MLP forecasting module. The trend-aware normalization module captures input-window statistics and calibrates forecast-window distributions, effectively mitigating distribution shift. The scale-adaptive gated denoising module performs feature smoothing and residual suppression before period rearrangement, thereby reducing interference from high-frequency perturbations. The multiscale gated attention prediction module strengthens the prediction head's adaptive representational capacity via conditional gating and feature modulation. Extensive experiments across multiple LTSF benchmarks demonstrate that the proposed TA-SparseMG consistently achieves superior, stable performance. Ablation studies confirm that each module independently improves distribution adaptation, input robustness, and cross-period feature mapping capability.
• Abstract（参考訳）: 長期の時系列予測は、電力需要、交通の流れ、気象観測、再生可能エネルギー供給といった領域で広範囲に応用されている。 動的に変化する長期時系列を予測することは、統計的非定常性、局所的な高周波障害、および結合した周期依存性などの固有の課題を生じさせ、軽量モデルではパラメータ効率と予測性能のバランスをとるのが難しくなる。 そこで本研究では,SparseTSFのスパース・クロスタイム・モデリング・フレームワーク上に構築された軽量なクロス周期予測モデルであるTA-SparseMGを提案する。 トレンド対応のリバーシブルなインスタンス正規化モジュール、スケール適応型のゲートデノイングモジュール、マルチスケールのゲートアテンションMLP予測モジュールの3つの重要なモジュールが組み込まれている。 トレンド対応正規化モジュールは、入力-ウィンドウ統計をキャプチャし、予測-ウィンドウ分布を校正し、分散シフトを効果的に軽減する。 スケール適応ゲートデノナイジングモジュールは、周期再構成前の特徴平滑化及び残留抑制を行い、高周波摂動の干渉を低減させる。 マルチスケールゲートアテンション予測モジュールは、条件ゲーティングと特徴変調により、予測ヘッドの適応表現能力を強化する。 複数のLTSFベンチマークの広範な実験により、提案したTA-SparseMGは、常に優れた安定した性能を達成できることを示した。 アブレーション研究は各モジュールが独立して分布適応、入力ロバスト性、およびクロス周期特徴マッピング能力を改善することを確認した。

関連論文リスト

• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• PAMod: Modeling Cyclical Shifts via Phase-Amplitude Modulation for Non-stationary Time Series Forecasting [59.88916926133985]
  正規化特徴空間における位相振幅変調による循環分布シフトをモデル化するフレームワークPAModを提案する。 PAModは計算資源を減らして最先端の性能を実現する。 我々の変調機構は,プラグイン・アンド・プレイ技術として,既存の時系列予測手法を簡易な統合で改善することができる。
  論文  参考訳（メタデータ） (2026-05-01T07:09:23Z)
• 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)
• FreqFlow: Long-term forecasting using lightweight flow matching [3.5235875824926346]
  本稿では、周波数領域における条件付きフローマッチングを利用して決定論的MSS予測を行う新しいフレームワークであるFreqFlowを紹介する。 FreqFlowは予測問題をスペクトル領域に変換し、振幅と位相シフトをモデル化する。 実世界のトラフィック速度、ボリューム、フローデータセットに関する実験は、FreqFlowが最先端の予測性能を達成することを実証している。
  論文  参考訳（メタデータ） (2025-11-20T14:50:13Z)
• 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)
• LLM4FTS: Enhancing Large Language Models for Financial Time Series Prediction [0.0]
  従来の機械学習モデルは、制限されたモデル容量に制約された予測タスクに制限を示す。 我々は、学習可能なパッチセグメンテーションと動的ウェーブレット畳み込みモジュールによる時間的シーケンスモデリングを強化する新しいフレームワークLLM4FTS$を提案する。 実世界の金融データセットの実験は、このフレームワークの有効性を実証し、複雑な市場パターンを捉える上で優れたパフォーマンスを示し、ストックリターン予測の最先端結果を達成する。
  論文  参考訳（メタデータ） (2025-05-05T06:48:34Z)
• CANet: ChronoAdaptive Network for Enhanced Long-Term Time Series Forecasting under Non-Stationarity [0.0]
  本稿では,スタイル転送技術に触発された新しいアーキテクチャであるChoronoAdaptive Network (CANet)を紹介する。 CANetの中核は非定常適応正規化モジュールであり、スタイルブレンディングゲートと適応インスタンス正規化(AdaIN)をシームレスに統合する。 実世界のデータセットに関する実験は、CANetが最先端の手法よりも優れていることを検証し、MSEの42%、MAEの22%を達成している。
  論文  参考訳（メタデータ） (2025-04-24T20:05:33Z)
• Robust Multivariate Time Series Forecasting against Intra- and Inter-Series Transitional Shift [40.734564394464556]
  本稿では,時系列内/時系列間の相関関係を統合的に把握し,時変遷移分布をモデル化するための統一確率グラフモデルを提案する。 6つの高定常MTSデータセットに対する広範囲な実験により、JointPGMの有効性と効率を検証した。
  論文  参考訳（メタデータ） (2024-07-18T06:16:03Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• 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。