論文の概要: TimeES: Probabilistic and Deterministic Time Series Forecasting via Evolutionary Spectra

• arxiv url: http://arxiv.org/abs/2609.32384v1
• Date: Sat, 26 Sep 2026 08:58:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 17:17:35.975237
• Title: TimeES: Probabilistic and Deterministic Time Series Forecasting via Evolutionary Spectra
• Title（参考訳）: TimeES:進化スペクトルによる確率的・決定論的時系列予測
• Abstract要約: 実世界の時系列は本質的に非定常的であり、傾向、周期パターン、不確実性は時間とともに進化する。 現在のディープラーニングアプローチは、フーリエスペクトルの進化とランダム性を明示的にモデル化していない。 進化スペクトル(ES)理論により,確率的および決定論的予測を可能にする一般的なフレームワークであるTimeESを提案する。
• 参考スコア（独自算出の注目度）: 22.085763994584298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world time series are inherently non-stationary, with trends, periodic patterns, and uncertainty evolving over time. While the Fourier domain offers a natural lens to model time series, current deep learning approaches do not explicitly model evolution and randomness in the Fourier spectra, which limits their ability to accurately predict both the expected trajectory and its uncertainty in non-stationary time series. Motivated by Evolutionary Spectra (ES) theory, we propose TimeES, a general framework that enables probabilistic and deterministic forecasting via the evolutionary spectra theory. Specifically, we derive a parameterizable evolutionary spectra formulation, recasting non-stationary random process modeling as learning an evolving representation modulated by random variables. Furthermore, we reduce the complexity of the estimated spectra from O(NM) to O(NK), where K << M/2, by exploiting Hermitian symmetry and spectral energy sparsity for frequency selection. Based on a simple linear backbone, our proposed TimeES achieves consistent state-of-the-art performance across both deterministic and probabilistic forecasting tasks, with high efficiency and interpretability. Code is available at: https://github.com/wwy155/TimeES.
• Abstract（参考訳）: 実世界の時系列は本質的に非定常的であり、傾向、周期パターン、不確実性は時間とともに進化する。 フーリエ領域は時系列をモデル化するための自然なレンズを提供するが、現在のディープラーニングアプローチはフーリエスペクトルの進化とランダム性を明示的にモデル化していない。 進化スペクトル理論(Evolutionary Spectra, ES)を基礎として, 進化スペクトル理論による確率的, 決定論的予測を可能にする一般的なフレームワークであるTimeESを提案する。 具体的には、パラメータ化可能な進化スペクトルの定式化を導出し、非定常ランダムプロセスモデリングを、ランダム変数によって変調された進化的表現の学習として再キャストする。 さらに、周波数選択のためにエルミート対称性とスペクトルエネルギー空間を利用して、推定スペクトルのO(NM) から O(NK) への複雑性を低減する。 簡単な線形バックボーンに基づいて,提案したTimeESは,決定的および確率的予測タスクの両面において一貫した性能を実現し,高い効率と解釈性を実現している。 コードは、https://github.com/wwy155/TimeES.comで入手できる。

関連論文リスト

• 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)
• 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)
• Lightweight Channel-wise Dynamic Fusion Model: Non-stationary Time Series Forecasting via Entropy Analysis [25.291749176117662]
  我々は、分散が時系列の非定常性に対する有効かつ解釈可能なプロキシであることを示す。 軽量なtextitChannel-wise textitDynamic textitFusion textitModel(textitCDFM)を提案する。 7つの時系列データセットに関する総合的な実験は、CDFMの優位性と一般化能力を示している。
  論文  参考訳（メタデータ） (2025-03-04T13:29:42Z)
• ProGen: Revisiting Probabilistic Spatial-Temporal Time Series Forecasting from a Continuous Generative Perspective Using Stochastic Differential Equations [18.64802090861607]
  ProGen Proは、不確実性を管理しながら依存関係を効果的にキャプチャする堅牢なソリューションを提供する。 4つのベンチマークトラフィックデータセットの実験により、ProGen Proは最先端の決定論的確率モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-02T14:37:30Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• SpecSTG: A Fast Spectral Diffusion Framework for Probabilistic Spatio-Temporal Traffic Forecasting [29.55810183838032]
  SpecSTGはトラフィック時間グラフ学習のための新しいスペクトル拡散フレームワークである。 将来の時系列のフーリエ表現を生成し、学習プロセスを空間情報に富んだスペクトル領域に変換する。 最先端技術と比較すると、SpecSTGはポイント推定において最大8%の改善を達成し、将来の不確実性を定量化するために最大0.78%の改善を達成している。
  論文  参考訳（メタデータ） (2024-01-16T05:23:34Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting [48.8617204809538]
  本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。 不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。 我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
  論文  参考訳（メタデータ） (2021-01-31T11:00:55Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。