論文の概要: Seasonal and Quantum-inspired Models for Neutron Monitor Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.30281v1
• Date: Wed, 26 Aug 2026 17:13:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.119243
• Title: Seasonal and Quantum-inspired Models for Neutron Monitor Time Series Forecasting
• Title（参考訳）: 中性子モニター時系列予測のための季節・量子インスピレーションモデル
• Abstract要約: 我々は,Lomnicky Stittrontrontronics Monitor (LMKS) 時系列上でのマルチホライゾン予測について,焦点を絞って再現可能な研究を行った。 評価スイートは、単純な季節ベースライン、現代のディープシークエンスモデル、関数型および量子インスパイアされたアーキテクチャを網羅する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a focused and reproducible study of multi-horizon forecasting on the Lomnicky Stit neutron monitor (LMKS) time series. Our evaluation suite covers simple seasonal baselines, modern deep sequence models, and functional and quantum-inspired architectures, including Seasonal Naive, Long Short-Term Memory (LSTM), Temporal Convolutional Network (TCN), N-BEATS, Kolmogorov-Arnold Networks (KAN), and two quantum-inspired variants, QiLSTM and QiKAN. We describe the dataset characteristics, diagnostic analysis, preprocessing pipeline, and training procedures, and report aggregate point-forecast performance using mean absolute error (MAE) and root mean squared error (RMSE) for all evaluated models. Our quick-run results indicate that the quantum-inspired KAN variant, QiKAN, achieves the lowest aggregate forecasting error among the evaluated configurations, while the simple Seasonal Naive baseline remains remarkably competitive. These results suggest that, for highly periodic scientific monitoring time series, models incorporating strong seasonal or low-dimensional functional priors can match or outperform substantially more complex sequence architectures. The findings motivate further investigation of parsimonious and decomposable function approximators for forecasting periodic scientific signals.
• Abstract（参考訳）: 我々は,Lomnicky Stittrontrontronics Monitor (LMKS) 時系列上でのマルチホライゾン予測について,焦点を絞って再現可能な研究を行った。 我々の評価スイートは、季節的ベースライン、現代のディープシークエンスモデル、季節的ナイーブ、長期記憶(LSTM)、時間的畳み込みネットワーク(TCN)、N-BEATS、コルモゴロフ・アルノルドネットワーク(KAN)、QiLSTMとQiKANの2つの量子インスパイアされた変種を含む、単純な季節的ベースライン、機能的および量子的インスパイアされたアーキテクチャを網羅している。 本稿では,データセットの特徴,診断分析,前処理パイプライン,トレーニング手順について述べるとともに,平均絶対誤差 (MAE) とルート平均二乗誤差 (RMSE) を用いた集計点予測性能について報告する。 その結果,量子インスパイアされたKankan変種であるQiKANは,評価された構成の中で最も低い集合予測誤差を達成し,単純な季節的ナイーブのベースラインは競争力に優れていた。 これらの結果は、高度に周期的な科学的モニタリング時系列に対して、強い季節的または低次元の関数的事前を組み込んだモデルが、より複雑なシーケンスアーキテクチャに適合または優れることを示す。 この発見は、周期的な科学信号の予測のための相似および分解可能な関数近似器のさらなる研究を動機付けている。

関連論文リスト

• 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)
• Time series forecasting with Hahn Kolmogorov-Arnold networks [20.88954806378471]
  HaKAN は Kolmogorov-Arnold Networks (KAN) に基づく汎用モデルである。 我々のモデルは学習可能なアクティベーション機能を統合し、時系列予測のための軽量で解釈可能な代替手段を提供する。 我々のモデルは、そのコアコンポーネントの有効性を検証するアブレーション研究により、最近の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-25T21:28:24Z)
• 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)
• 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)
• TS-LIF: A Temporal Segment Spiking Neuron Network for Time Series Forecasting [27.91825785119938]
  Spiking Neural Networks(SNN)は、時系列予測のためのデータ処理に、有望で生物学的にインスパイアされたアプローチを提供する。 本稿では,デュアルコンパートメントアーキテクチャを特徴とするテンポラルリーキーセグメント統合とファイアモデルを提案する。 実験の結果,TS-LIFは時系列予測において従来のSNNよりも優れていた。
  論文  参考訳（メタデータ） (2025-03-07T03:06:21Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• Contextually Enhanced ES-dRNN with Dynamic Attention for Short-Term Load Forecasting [1.1602089225841632]
  提案手法は,コンテキストトラックとメイントラックという,同時に訓練された2つのトラックから構成される。 RNNアーキテクチャは、階層的な拡張を積み重ねた複数の繰り返し層で構成され、最近提案された注意的再帰細胞を備えている。 このモデルは点予測と予測間隔の両方を生成する。
  論文  参考訳（メタデータ） (2022-12-18T07:42:48Z)
• Temporal-Spatial dependencies ENhanced deep learning model (TSEN) for household leverage series forecasting [12.727583657383073]
  財務時系列予測のための正確な予測モデルのための時間的・空間的パターンの解析は困難である。 深層学習の応用に触発されて,中国における家庭のレバレッジ予測の課題を解決するための新しいモデルを提案する。 その結果,新たなアプローチは家庭の時間空間的ダイナミクスをうまく捉え,より正確で確実な予測結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T00:10:25Z)

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。