論文の概要: StateFlow: Dual-State Recurrent Modeling for Long-Horizon Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2607.00197v1
- Date: Tue, 30 Jun 2026 21:26:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.644094
- Title: StateFlow: Dual-State Recurrent Modeling for Long-Horizon Time Series Forecasting
- Title（参考訳）: StateFlow: 時系列予測のためのデュアルステートリカレントモデリング
- Abstract要約: StateFlowは、VARNNをデュアルステートリカレントバックボーンとして使用して、ルックバックシーケンスから2つの補完的な信号をキャプチャする、リカレント予測フレームワークである。
チャンクベースのデコーダは、これらの軌跡を別々に要約し、それらを将来の地平線にマッピングし、直接多段階予測を行う。
- 参考スコア（独自算出の注目度）: 21.257843115741256
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-horizon multivariate time series forecasting (LTSF) remains challenging due to non-stationarity, regime shifts, and error accumulation. The Variability-Aware Recursive Neural Network (VARNN) is designed to track such variability by maintaining a residual-memory state driven by one-step prediction errors. However, its original formulation is limited to one-step sequence regression and does not directly support multi-step forecasting. In this work, we extend VARNN to long-horizon forecasting and introduce StateFlow, a recurrent forecasting framework that uses VARNN as a dual-state recurrent backbone to capture two complementary signals from the lookback sequence: a hidden-state trajectory representing primary temporal dynamics, including trend, seasonality, level changes, and recurring patterns, and a residual-memory trajectory representing structured local prediction deviations, driven from a nonlinear recurrent transformation of errors between one-step base predictions and observed values. A chunk-based decoder separately summarizes these trajectories and maps them to the future horizon for direct multi-step forecasting. We further employ a two-stage optimization strategy that first trains the VARNN encoder through a one-step base prediction objective to optimize the internal representations over the lookback sequence, and then trains a horizon-specific decoder for direct multi-step forecasting. Experiments on standard LTSF benchmarks show that StateFlow achieves competitive performance against strong linear, recurrent, convolutional, and Transformer-based baselines while preserving linear recurrent encoding and a compact model design.
- Abstract（参考訳）: 長水平多変量時系列予測(LTSF)は、非定常性、状態シフト、エラー蓄積のために依然として困難である。
VARNN(Variability-Aware Recursive Neural Network)は、1ステップの予測エラーによって駆動される残メモリ状態を維持することで、そのような変動を追跡するように設計されている。
しかし、元の定式化は1ステップのシーケンスレグレッションに限られており、直接マルチステップ予測をサポートしない。
本研究では,VARNNを長期予測に拡張し,VARNNを2つの相補的信号(トレンド,季節性,レベル変化,繰り返しパターンを含む一次時間的ダイナミクスを表す隠れ状態トラジェクトリ,構造的局所予測偏差を表す残差メモリトラジェクトリ)を2段階のベース予測と観測値間のエラーの非線形リカレント変換により生成するStateFlowを紹介する。
チャンクベースのデコーダは、これらの軌跡を別々に要約し、それらを将来の地平線にマッピングし、直接多段階予測を行う。
さらに、まずVARNNエンコーダを1ステップベース予測目標で訓練し、ルックバックシーケンス上の内部表現を最適化し、その後、水平方向固有のデコーダを訓練して、直接マルチステップ予測を行う。
標準LTSFベンチマークの実験では、StateFlowは線形リカレントエンコーディングとコンパクトモデル設計を保ちながら、強い線形、再帰、畳み込み、トランスフォーマーベースのベースラインと競合する性能を達成している。
関連論文リスト
- Rethinking Pixel Mean Flows via Interval Denoiser [95.11499828543344]
潜在自由生成のためのフレームワークであるInterval Denoiserを提案する。
その結果,FIDは1ステップ (1-NFE) で4.55, 2ステップ (2-NFE) で3.98であった。
論文 参考訳（メタデータ） (2026-08-05T13:22:43Z) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - 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) - Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。
形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。
均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。
TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
論文 参考訳（メタデータ） (2026-02-10T14:13:36Z) - DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters [50.43534351968113]
既存の生成時系列モデルは、時系列データの多次元特性にうまく対応していない。
動画生成にテキストガイダンスを組み込んだマルチモーダル拡散変換器に着想を得て,Diffusion Transformer for Time Series (DiTS)を提案する。
論文 参考訳（メタデータ） (2026-02-06T10:48:13Z) - CaReTS: A Multi-Task Framework Unifying Classification and Regression for Time Series Forecasting [7.600702118055632]
CaReTSは、分類と回帰タスクを組み合わせた新しいマルチタスク学習フレームワークである。
4つの変種(CaReTS1--4)がこのフレームワークの下でインスタンス化され、主流の時間モデリングエンコーダが組み込まれる。
実世界のデータセットの実験では、CaReTSが精度を予測するために最先端(SOTA)アルゴリズムより優れていることが示されている。
論文 参考訳（メタデータ） (2025-11-12T22:43:40Z) - Parallel BiLSTM-Transformer networks for forecasting chaotic dynamics [24.960864709838436]
本研究では,Transformer と Bidirectional Long Short-Term Memory Network を統合した並列予測フレームワークを提案する。
提案したハイブリッドモデルはデュアルブランチアーキテクチャを採用しており、Transformerブランチは主に長距離依存関係をキャプチャする。
結果は、提案されたハイブリッドフレームワークがタスク間でシングルブランチアーキテクチャの両方より優れていることを一貫して示している。
論文 参考訳（メタデータ） (2025-10-27T16:17:10Z) - Variability Aware Recursive Neural Network (VARNN): A Residual-Memory Model for Capturing Temporal Deviation in Sequence Regression Modeling [22.047991116744104]
本稿では,教師付き時系列回帰のための新しい残差認識アーキテクチャである変数認識再帰ニューラルネットワーク(VARNN)を紹介する。
VARNNは、変化とドリフトの信号として、短いコンテキストステップ上の残差から更新される学習されたエラーメモリ状態でフィードフォワード予測を増強する。
以上の結果から,VARNNモデルはドリフトおよびボラティリティ環境下での堅牢な予測を提供し,時系列学習のフレームワークとしての可能性を強調した。
論文 参考訳（メタデータ） (2025-10-10T02:50:50Z) - Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための因果変換器Timer-XLを提案する。
大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
論文 参考訳（メタデータ） (2024-10-07T07:27:39Z) - Variational Mode-Driven Graph Convolutional Network for Spatiotemporal Traffic Forecasting [9.24965746838578]
変動モード分解(VMD)とニューラルネットワークを用いて,非定常信号を解釈可能なモードに分解するフレームワークを提案する。
提案した2段階の設計は、短時間および長期の予測タスクにおいて、LargeSTデータセット上で優れた性能を示す周波数レベルの解釈性を提供しながら、大幅な精度向上をもたらす。
論文 参考訳（メタデータ） (2024-08-29T01:09:30Z) - Spatiotemporal-Linear: Towards Universal Multivariate Time Series
Forecasting [10.404951989266191]
本稿ではSTL(Spatio-Temporal-Linear)フレームワークを紹介する。
STLは、Linearベースのアーキテクチャを拡張するために、時間組込みと空間インフォームドのバイパスをシームレスに統合する。
実証的な証拠は、さまざまな観測時間と予測期間とデータセットにわたって、LinearとTransformerのベンチマークを上回り、STLの成果を浮き彫りにしている。
論文 参考訳（メタデータ） (2023-12-22T17:46:34Z) - CARD: Channel Aligned Robust Blend Transformer for Time Series
Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。
まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。
第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。
第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文 参考訳（メタデータ） (2023-05-20T05:16:31Z)
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。