論文の概要: SegTSim: A Big Data Driven Segmented Temporal Simulation Framework for Heterogeneous Multivariate Systems

• arxiv url: http://arxiv.org/abs/2609.22192v1
• Date: Sat, 29 Aug 2026 06:21:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.765973
• Title: SegTSim: A Big Data Driven Segmented Temporal Simulation Framework for Heterogeneous Multivariate Systems
• Title（参考訳）: SegTSim: 異種多変量システムのためのビッグデータ駆動型時間分割シミュレーションフレームワーク
• Abstract要約: SegTSimはビッグデータ駆動のセグメント化された時間シミュレーションフレームワークである。 セグメント固有の弾力性モデリングとアダプティブミンゲーティング、動的生産再配置最適化、多要素データ融合、交換レート伝播を統合している。 2015年から2025年までのUSITCリポジトリの日米自動車貿易データで検証されている。
• 参考スコア（独自算出の注目度）: 5.557286155141078
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous multivariate time-series systems exhibit segment-specific nonlinear dynamics that challenge monolithic forecasting architectures. We propose SegTSim, a big-data-driven segmented temporal simulation framework that integrates segment-specific elasticity modeling with adaptive min-gating, dynamic production relocation optimization, multi-factor data fusion with exchange-rate propagation, and a deep ensemble validation pipeline. The framework is validated on US--Japan automotive trade data from USITC repositories spanning 2015 to 2025, comprising approximately 13000 annual records. Under a 25% perturbation scenario, Japanese import volume declines by 20.4% to 0.93 billion USD, while all output variables maintain coefficients of variation below 3.5% across 1000 ensemble inference runs.
• Abstract（参考訳）: 不均一な多変量時系列システムは、モノリシック予測アーキテクチャに挑戦するセグメント固有の非線形ダイナミクスを示す。 そこで我々は,SegTSimを提案する。SegTSimは,セグメント固有の弾力性モデリングを適応マイニング,動的生産再配置最適化,交換レートの伝搬を伴う多要素データ融合,深層アンサンブル検証パイプラインと統合する,ビッグデータ駆動セグメント時間シミュレーションフレームワークである。 この枠組みは、2015年から2025年までのUSITCレポジトリの日米自動車貿易データに基づいて、約13,000の年次記録から検証されている。 25%の摂動シナリオの下では、日本の輸入量は20.4%減少し、0.93億米ドルとなった。

関連論文リスト

• SolarWM: Open Data and Scalable Training for Long-Horizon Video World Models [88.64689505355055]
  我々は、データ準備から長距離推論まで、インタラクティブなビデオワールドモデルを構築するための完全にオープンな基盤であるSolarWMを紹介した。 SolarWMは、再構成可能なマルチソースデータエンジンとバックボーンネイティブ適応フレームワークとの結合に対処する。 Wan2.2、LTX-2.5、MiniMax-H3に基づく4つの5B-33Bモデルを、ネイティブ表現と目的を保存しながらインスタンス化する。 結果として生じる因果モデルにより、わずか5秒のシーケンスでトレーニングされた数分から数時間のロールアウトをリアルタイムに対話することができる。
  論文  参考訳（メタデータ） (2026-09-02T17:59:41Z)
• Training Report of TeleChat3-MoE [77.94641922160359]
  この技術的レポートは、主に、フロンティアモデルサイズへの信頼性と効率的なスケーリングを可能にする、基礎となるトレーニングインフラストラクチャを提示する。 本稿では,ハードウェアプラットフォーム間の整合性を確保するため,演算子レベルとエンドツーエンドの数値検証精度の体系的手法を詳述する。 解析的推定と整数線形プログラミングを利用した並列化フレームワークも提案され,多次元並列化の構成を最適化する。
  論文  参考訳（メタデータ） (2025-12-30T11:42:14Z)
• A multimodal Transformer for InSAR-based ground deformation forecasting with cross-site generalization across Europe [3.3295066998131637]
  EGMS時系列からの変位マップの1段階, 固定区間次エポシック・コンポーティングのためのパッチベースの変換器を提案する。 このモデルは、トレーニングウィンドウからのみリークセーフな方法で計算された静的運動指標(平均速度、加速度、季節振幅)とともに、最近の変位スナップショットを取り込みます。 一方、STGCNはCNN-LSTM、CNN-LSTM+Attn、Multimodal STGCNよりも明らかに優れている。
  論文  参考訳（メタデータ） (2025-12-30T00:07:36Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• FTSCommDetector: Discovering Behavioral Communities through Temporal Synchronization [15.690768429709811]
  従来のコミュニティ検出手法では、エンティティが独立して動きながら重要な瞬間に整合する同期脱同期パターンをキャプチャできない。 FTSCommDetectorを導入し、TCA(Temporal Coherence Architecture)を実装し、類似および異種コミュニティを発見する。 その結果、FTSCommDetectorは4つの多様な金融市場において一貫した改善を実現した。
  論文  参考訳（メタデータ） (2025-09-17T16:12:54Z)
• T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion [0.4915744683251151]
  T3Timeは、時間、スペクトル、プロンプトブランチで構成される新しい3モーダルフレームワークである。 予測地平線に基づいて時間的特徴とスペクトル的特徴の優先順位付けを学習する。 我々のモデルは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-06T09:31:44Z)
• GenM$^3$: Generative Pretrained Multi-path Motion Model for Text Conditional Human Motion Generation [19.2804620329011]
  Generative Pretrained Multi-path Motion Model (GenM(3))は、統合された動き表現を学習するための包括的なフレームワークである。 大規模なトレーニングを可能にするため、11の高品質なモーションデータセットを統合し、統合する。 GenM(3)はHumanML3Dベンチマークで0.035の最先端のFIDを達成し、最先端のメソッドを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2025-03-19T05:56:52Z)
• PFSD: A Multi-Modal Pedestrian-Focus Scene Dataset for Rich Tasks in Semi-Structured Environments [73.80718037070773]
  本稿では, 半構造化シーンに, nuScenesの形式を付加したマルチモーダルなPedestrian-Focused Sceneデータセットを提案する。 また,密集・隠蔽シナリオにおける歩行者検出のためのHMFN(Hybrid Multi-Scale Fusion Network)を提案する。
  論文  参考訳（メタデータ） (2025-02-21T09:57:53Z)

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。