論文の概要: RouteTS: Frequency-Time Routing for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2608.14682v1
• Date: Wed, 05 Aug 2026 02:35:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-23 14:54:39.961914
• Title: RouteTS: Frequency-Time Routing for Time Series Forecasting
• Title（参考訳）: RouteTS: 時系列予測のための周波数時間ルーティング
• Abstract要約: RouteTSは、ルーティングと振幅デリゲートを介して周波数スペクトルを数学的に最適な領域に分割する統合予測フレームワークである。 大規模な実験により、RouteTSはさまざまな実世界のデータセット間での競合予測精度を達成している。
• 参考スコア（独自算出の注目度）: 2.872284417339312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world time series inherently intertwine global periodic structures with localized non-stationary variations. Existing approaches process these heterogeneous dynamics within a single computational domain, incurring fundamental limitations: time-domain models suffer from periodic misalignment over long horizons, while frequency-domain models over-smooth transient spikes. We argue that the optimal computational domain is not a property of the model, but of the data itself. Based on this principle, we propose RouteTS, a unified forecasting framework that partitions the frequency spectrum via amplitude routing and delegates components to their mathematically optimal domains. Dominant frequencies are processed by a complex-valued linear predictor in the frequency domain to preserve periodic structure, while residual spectral energy is reverted to the time domain and modeled by a lightweight MLP for local variations. Extensive experiments demonstrate that RouteTS achieves competitive prediction accuracy across diverse real-world datasets, with routing decisions guided by the underlying spectral signature. Furthermore, the lightweight design of RouteTS provides significant computational efficiency advantages, offering a principled solution to the longstanding dilemma between global periodicity and local transience.
• Abstract（参考訳）: 実世界の時系列は本質的に、局所的な非定常変動を持つ大域的周期構造と相互作用する。 時間領域モデルは長い水平線上の周期的な不整合に悩まされ、周波数領域モデルは過度に滑らかな過渡スパイクに悩まされる。 最適な計算領域は、モデルの性質ではなく、データ自体の性質であると主張する。 この原理に基づいて、振幅ルーティングを介して周波数スペクトルを分割し、成分を数学的に最適な領域に委譲する統合予測フレームワークであるRouteTSを提案する。 支配周波数は、周期構造を保存するために周波数領域の複素値線形予測器によって処理され、残留スペクトルエネルギーは時間領域に戻され、局所変動のために軽量MLPによってモデル化される。 大規模な実験により、RouteTSは様々な実世界のデータセット間で競合予測精度を達成し、根底にあるスペクトルシグネチャによってルーティング決定が導かれることを示した。 さらに、RuteTSの軽量な設計は、大域的周期性と局所的トランジェンスの間の長年のジレンマに対する原則的解決策として、計算効率の優れた利点を提供する。

関連論文リスト

• Sequential RC-TGAN: Generating Relational Time Series with Spectral Envelope Loss [2.6599014990168834]
  本稿では,RC-TGANフレームワークの時間拡張であるSequential RC-TGAN(Seq. RC-TGAN)について紹介する。 エンド・ツー・エンドのアプローチは、循環パターンの再現や長期的季節性において最先端のシステムよりも著しく優れています。
  論文  参考訳（メタデータ） (2026-06-30T16:09:10Z)
• AdaMamba: Adaptive Frequency-Gated Mamba for Long-Term Time Series Forecasting [37.92252681666789]
  周波数領域解析と時間依存性学習を統合するために,AdaMambaを提案する。 AdaMamba は Accu racy の予測において最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-25T10:22:49Z)
• 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)
• Decorrelating the Future: Joint Frequency Domain Learning for Spatio-temporal Forecasting [2.502143380601666]
  モデル時間スペクトルの監視範囲を拡大する周波数強調学習目標を提案する。 FreSTは、統一スペクトル領域における予測と基底真理を一致させ、空間と時間の両方にわたる複雑な依存関係を効果的にデコレーションする。
  論文  参考訳（メタデータ） (2026-02-13T20:42:49Z)
• 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)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• 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)
• 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)
• ATFNet: Adaptive Time-Frequency Ensembled Network for Long-term Time Series Forecasting [7.694820760102176]
  ATFNetは、時間ドメインモジュールと周波数ドメインモジュールを組み合わせた革新的なフレームワークである。 本稿では,2つのモジュール間の重み調整機構であるドミナント・ハーモニック・シリーズ・エナジー・ウェイトリングを紹介する。 我々の複素数値スペクトル注意機構は、異なる周波数の組み合わせ間の複雑な関係を識別するための新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2024-04-08T04:41:39Z)
• Frequency-domain MLPs are More Effective Learners in Time Series Forecasting [67.60443290781988]
  時系列予測は、金融、交通、エネルギー、医療など、さまざまな産業領域において重要な役割を果たしてきた。 最多ベースの予測手法は、ポイントワイドマッピングと情報のボトルネックに悩まされる。 本稿では、時系列予測のための周波数領域上に構築された、シンプルで効果的なアーキテクチャであるFreTSを提案する。
  論文  参考訳（メタデータ） (2023-11-10T17:05:13Z)
• WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series Forecasting [61.64303388738395]
  本稿では,長期連続予測のためのWavelet-Fourier Transform Network (WFTNet)を提案する。 さまざまな時系列データセットのテストでは、WFTNetは他の最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-09-20T13:44:18Z)

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。