論文の概要: CAMP: A Cycle-Aware Multi-Scale Patch Mixer for Time Series Forecasting
- arxiv url: http://arxiv.org/abs/2608.04051v1
- Date: Tue, 04 Aug 2026 10:04:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.45679
- Title: CAMP: A Cycle-Aware Multi-Scale Patch Mixer for Time Series Forecasting
- Title（参考訳）: CAMP: 時系列予測のためのサイクル対応マルチスケールパッチミキサー
- Abstract要約: CAMPはCycle-Aware Multi-Scale Patch Mixerである。
予め定義されたサイクル長を必要とせずに、歴史的および将来の循環成分を生成する。
6つのデータセットで最高の平均MSEを、6つのデータセットで最高のまたは最も結びついたMAEを達成します。
- 参考スコア（独自算出の注目度）: 10.068780251829606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world time series are often governed by recurring patterns, but their dominant periods may vary across datasets, forecasting settings, and individual input windows. Existing cycle-aware forecasters commonly rely on a single period selected at the dataset level, which can be restrictive when periodic behavior changes over time or when multiple cycles coexist. Moreover, patch-based models typically process all patch positions uni- formly, although patches farther from the forecast boundary may require broader contextual refinement, while recent patches contain information that should be preserved more directly. Af- ter cyclic behavior is removed, the remaining dynamics may also span multiple temporal resolutions and cannot be adequately de- scribed at a single scale. We introduce CAMP, a Cycle-Aware Multi-Scale Patch Mixer designed to address these challenges. The Adaptive Cycle Learning module identifies dominant fre- quencies separately for each input window and generates both historical and future cyclic components without requiring a pre- defined cycle length. The Horizon-Guided Patch Mixer intro- duces position-dependent refinement, allowing earlier patches to incorporate broader temporal context while preserving infor- mation close to the forecast boundary. CAMP further models the de-cycled residual through temporally aligned multi-resolution representations, enabling complementary dynamics at different scales to be captured within one forecasting framework. Across seven long-term forecasting benchmarks, CAMP achieves the best average MSE on six datasets and the best or tied-best MAE on six. It also obtains the highest MSE win count across sixteen settings on four PEMS traffic benchmarks.
- Abstract（参考訳）: 実世界の時系列は、しばしば繰り返しパターンによって管理されるが、その支配的な期間はデータセット、予測設定、個々の入力ウィンドウによって異なる可能性がある。
既存のサイクル対応予測器は、データセットレベルで選択された単一の周期に依存しており、時間とともに周期的な振る舞いが変化する場合や、複数のサイクルが共存する場合に制限を受けることができる。
さらに、パッチベースのモデルは、通常、すべてのパッチ位置を一様に処理するが、予測境界から遠く離れたパッチは、より広いコンテキスト改善を必要とする可能性がある。
Af-ter巡回的挙動は取り除かれ、残りのダイナミクスは複数の時間分解能にまたがる可能性があり、単一のスケールで適切に非記述することはできない。
これらの課題に対処するために設計されたCAMP(Cycle-Aware Multi-Scale Patch Mixer)を紹介する。
Adaptive Cycle Learningモジュールは、入力ウィンドウ毎に支配的な周波数を別々に識別し、予め定義されたサイクル長を必要とせずに、履歴と将来の循環コンポーネントの両方を生成する。
Horizon-Guided Patch Mixer intro-は、位置依存の洗練を誘導し、以前のパッチは、予測境界に近いメーションを保ちながら、より広い時間的コンテキストを組み込むことができる。
さらにCAMPは、時間的に整列した多重解像度表現を通じてリサイクルされた残差をモデル化し、異なるスケールでの相補的ダイナミクスを1つの予測フレームワーク内でキャプチャすることを可能にする。
7つの長期予測ベンチマークで、CAMPは6つのデータセットで最高の平均MSE、そして6つのデータセットで最高のまたは最も結びついたMAEを達成する。
また、4つのPEMSトラフィックベンチマークで16設定でMSEの勝利数が最も高い。
関連論文リスト
- RhyMix: A Lightweight Adaptive Multi-Rhythm Network for Long-Term Time Series Forecasting [0.19116784879310025]
適応ゲーティング機構を備えた並列デュアルパスモデリングパラダイムを中心に設計されたハイブリッドニューラルアーキテクチャであるRhyMixを紹介する。
RhyMixは、長期的な予測のために、12のデータセットのうち10の最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-07-09T08:29:38Z) - 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) - MoHETS: Long-term Time Series Forecasting with Mixture-of-Heterogeneous-Experts [0.8292000624465587]
実世界の時系列は、グローバルな傾向、局所的な周期性、非定常的な体制を含む複雑なマルチスケール構造を示すことができる。
MoHETSはSparse Mixture-of-Heterogeneous-Expertsレイヤを統合している。
パラメータ重リニアプロジェクションヘッドを軽量な畳み込みパッチデコーダに置き換える。
論文 参考訳（メタデータ） (2026-01-29T15:35:26Z) - PiXTime: A Model for Federated Time Series Forecasting with Heterogeneous Data Structures Across Nodes [52.821072802825654]
時系列は非常に価値が高く、ノード間で共有することは滅多にない。
サンプリング基準の相違により、ノード間の時間粒度や変数セットが多様になる。
フェデレーション学習用に設計された新しい時系列予測モデルであるPiXTimeを提案する。
論文 参考訳（メタデータ） (2026-01-09T08:11:45Z) - TimeCF: A TimeMixer-Based Model with adaptive Convolution and Sharpness-Aware Minimization Frequency Domain Loss for long-term time seris forecasting [5.032613143415414]
本稿では,TimeMixer に基づく時系列予測のためのディープラーニングモデル TimeCF を提案する。
TimeCFは、オリジナルの時系列を異なるスケールのシーケンスに分解する。
異なるスケールはFeed-Forward Networkを通じて集約される。
論文 参考訳（メタデータ） (2025-05-23T06:39:20Z) - 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) - 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) - TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting [19.88184356154215]
時系列予測は、交通計画や天気予報などのアプリケーションで広く使われている。
TimeMixerは、長期および短期の予測タスクにおいて、一貫した最先端のパフォーマンスを達成することができる。
論文 参考訳（メタデータ） (2024-05-23T14:27:07Z) - Unified Training of Universal Time Series Forecasting Transformers [104.56318980466742]
マスク型ユニバーサル時系列予測変換器(モイライ)について述べる。
Moiraiは、新たに導入された大規模オープンタイムシリーズアーカイブ(LOTSA)で訓練されており、9つのドメインで27億以上の観測が行われた。
Moiraiは、フルショットモデルと比較してゼロショットの予測器として、競争力や優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-02-04T20:00:45Z) - TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳（メタデータ） (2024-02-04T13:10:51Z) - MultiResFormer: Transformer with Adaptive Multi-Resolution Modeling for
General Time Series Forecasting [18.990322695844675]
トランスフォーマーベースのモデルは、最近時系列予測の境界を大きく押し上げている。
既存のメソッドは通常、時系列データを$textitpatches$にエンコードする。
最適パッチ長を適応的に選択することで時間変動を動的にモデル化するMultiResFormerを提案する。
論文 参考訳（メタデータ） (2023-11-30T18:24:33Z)
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。