論文の概要: Modeling spatio-temporal locality in multi-step forecasting of geo-referenced time series

• arxiv url: http://arxiv.org/abs/2608.25698v1
• Date: Wed, 26 Aug 2026 12:16:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.81636
• Title: Modeling spatio-temporal locality in multi-step forecasting of geo-referenced time series
• Title（参考訳）: ジオレファレンス時系列の多段階予測における時空間分布のモデル化
• Abstract要約: 局所的な自己相関現象は、周辺地域間で相互依存をもたらすもので、独立して扱うことはできない。 そこで,SPALTを提案する。SPALTは,異なるタイミングで発生しても,類似した傾向を持つ時系列間の空間的関係をキャプチャする。 本稿では, 再生可能エネルギープラント内のセンサが生産するエネルギーを, 短時間で定期的に測定するデータに焦点をあてる。
• 参考スコア（独自算出の注目度）: 4.515384588493029
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Forecasting future measurements from geographically distributed sensors is essential across many domains. However, the spatial distribution of these sensors raises multiple challenges, primarily due to spatial autocorrelation phenomena, that introduce inter-dependencies among nearby locations, that cannot therefore be treated independently. While some existing approaches can capture such phenomena, they generally model the spatial dimension globally across all locations. On the other hand, the method we propose in this paper, called SPALT, focuses on capturing spatial relationships among time series with similar trends, even if they occur at different times, thus modeling the spatio-temporal locality. SPALT leverages linear model trees, which allow us to consider the spatial autocorrelation locally: during the tree-building process, the adopted heuristics group time series exhibiting similar trends into the same node, on which additional features considering the spatial dimension are selectively injected. Additionally, we propose a new pruning strategy, based on Reduced Error Pruning, that also considers the spatio-temporal locality during the tree simplification. Designed for a multi-step setting, SPALT provides forecasts for multiple future time steps across multiple sensors simultaneously. The characteristics exhibited by SPALT can provide significant benefits in different domains, where measurements come from distributed sensors. In this paper, we focus on data produced by sensors located in multiple renewable power plants measuring their energy production at regular, short intervals. Experiments on 3 real-world datasets demonstrate the effectiveness of SPALT in forecasting the production of energy at different time horizons, and its superior performance in comparison with tree-based models and state-of-the-art neural networks that incorporate both temporal and spatial dimensions.
• Abstract（参考訳）: 地理的に分散したセンサから将来の計測を予測することは、多くの領域で不可欠である。 しかし、これらのセンサの空間分布は、主に空間的自己相関現象による複数の課題を提起する。 既存のいくつかのアプローチはそのような現象を捉えることができるが、概してすべての場所で空間次元をモデル化する。 一方,本稿で提案するSPALTは,時空間の空間的関係を,時空間の空間的関係に類似した傾向で捉え,時空間の空間的関係をモデル化する手法である。 SPALTは線形モデル木を利用して空間自己相関を局所的に検討する:木構築過程において、採用されたヒューリスティック群時系列は、同じノードに類似した傾向を示し、空間次元を考慮した付加的な特徴を選択的に注入する。 さらに,樹木の簡易化に伴う時空間的局所性も考慮した,リダクション・エラー・プルーニングに基づく新しいプルーニング戦略を提案する。 マルチステップ設定のために設計されたSPALTは、複数のセンサーを同時に横断する複数の将来の時間ステップの予測を提供する。 SPALTで示される特徴は、分散センサーから得られる様々な領域において大きな利益をもたらす。 本稿では, 再生可能エネルギープラント内のセンサが生産するエネルギーを, 短時間で定期的に測定するデータに焦点をあてる。 実世界の3つのデータセットを用いた実験は、異なる時間地平線におけるエネルギー生産予測におけるSPALTの有効性と、時間次元と空間次元の両方を組み込んだツリーベースモデルや最先端のニューラルネットワークと比較して優れた性能を示す。

関連論文リスト

• From Where to How: Continuous 4D Interaction Forecasting from Egocentric Video [62.898774619819676]
  エゴセントリックな4Dインタラクション予測は、将来のインタラクションが3Dで起こる場所と、その実現のために人体がどのように動くかを予測することを目的としている。 コヒーレント4D(Coherent4D)は、3つの領域にわたる約233Kサンプルからなる連続4Dインタラクション予測のための大規模エゴセントリックデータセットである。 HIGFlow(Hand Interaction Guided Residual Flow)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-08T12:06:23Z)
• STKAN: Kolmogorov-Arnold Networks for Spatio-Temporal Forecasting [30.14175741484625]
  本稿では,Kolmogo-Arnold Networkモジュールを空間的および時間的トークン混合に導入したTaylor-Nomial予測アーキテクチャSTKANを提案する。 実験の結果,STKANは5つの設定で評価された空間的相互作用ベンチマークよりも優れていた。 これらの結果から, 非線形関数近似器の設計は, 交通時空間予測におけるアーキテクチャ設計の補助となる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-07-14T10:18:54Z)
• DAS-PINNs for high-dimensional partial differential equations: extending deep adaptive sampling to spacetime domains [0.0]
  局所的および動的に進化する解を持つ時間依存偏微分方程式(PDE)は、物理インフォームドニューラルネットワーク(PINN)に根本的な課題をもたらす 本研究では,PINNの適応的フレームワークを拡張し,時間と空間を明示的な時間マーキングを伴わずに統一されたドメインとして扱う。 正規化フローニューラルネットワークモデルは、PDE残差によって誘導される分布を効果的に学習し、解が最も学習しにくい領域に集中する新たなコロケーションポイントを生成する。
  論文  参考訳（メタデータ） (2026-06-04T15:54:25Z)
• 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)
• Spatio-Temporal Multi-Subgraph GCN for 3D Human Motion Prediction [12.766305983943314]
  グラフ畳み込みネットワーク(GCN)は、人間の動作における関節間の関係を捉える能力において、この分野において広く注目を集めている。 複雑な動きを捉えるための時空間多時間ネットワーク(STMS-GCN)を提案する。
  論文  参考訳（メタデータ） (2024-12-31T07:22:39Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Continuous PDE Dynamics Forecasting with Implicit Neural Representations [24.460010868042758]
  空間連続関数の連続時間ダイナミクスを用いたPDE流れに対する新しいデータ駆動型アプローチを提案する。 これは、Implicit Neural Representationsによる離散化とは無関係に空間外挿を埋め込むことによって達成される。 任意の空間的および時間的位置で外挿し、テスト時にスパースグリッドや不規則なデータを学習し、新しいグリッドや解像度に一般化する。
  論文  参考訳（メタデータ） (2022-09-29T15:17:50Z)
• STONet: A Neural-Operator-Driven Spatio-temporal Network [38.5696882090282]
  グラフベースのグラフ時間ニューラルネットワークは、不規則にサンプリングされた離散点間の空間依存性をモデル化するのに有効である。 本稿では,空間連続的な物理量の力学を規定するメカニズムを学習する,PDEのためのニューラル演算子に基づく時間的枠組みを提案する。 実験では,空間的連続的な物理量の予測におけるモデルの性能と,時間的不規則なデータの処理能力に優れていた。
  論文  参考訳（メタデータ） (2022-04-18T17:20:12Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。