論文の概要: XMatch: Enhancing Covariate-Aware Time Series Forecasting through Tree-Structured Exogenous Matching

• arxiv url: http://arxiv.org/abs/2609.34939v1
• Date: Mon, 28 Sep 2026 11:32:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:33:08.986145
• Title: XMatch: Enhancing Covariate-Aware Time Series Forecasting through Tree-Structured Exogenous Matching
• Title（参考訳）: XMatch: 木構造外因性マッチングによる共変量対応時系列予測の強化
• Abstract要約: 内因性時系列を予測するためのXMatch(exogenous MATCHing)を提案する。 まず,内因性パターンと内因性パターンの歴史的対応を整理するProtoTree Creatorを紹介する。 次に、将来の変数を使用してProtoTreeをクエリするProtoTree Matcherを設計します。 12の実世界のデータセットの実験では、XMatchが最先端のベースラインを上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 34.064646929817236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Future exogenous variables provide valuable information for forecasting endogenous time series. Existing covariate-aware methods primarily learn the direct influence of exogenous variables on endogenous variables. However, these effects can be complex and change with the pattern of the exogenous variables, making them difficult to capture. Beyond this perspective, we observe that a given exogenous pattern often co-occurs with only a small set of endogenous response patterns. These associations motivate a strategy that matches future and historical exogenous patterns and uses the corresponding endogenous patterns to enhance forecasting. However, in real-world forecasting scenarios with multiple exogenous variables, each exogenous variable provides a distinct dimension for matching, creating a dilemma for this strategy between precise matching and sufficient historical support. To bridge this gap, we propose XMatch (EXogenous MATCHing), a covariate-aware forecasting model that realizes the aforementioned strategy through a tree-structured matching process that adaptively adjusts the number of exogenous variables used as matching conditions. Specifically, we first introduce the ProtoTree Creator, which organizes historical correspondences between exogenous and endogenous patterns into a ProtoTree, whose deeper levels incorporate additional exogenous variables for matching. For forecasting, we then design the ProtoTree Matcher, which uses future exogenous variables to query the ProtoTree and adaptively determines how many exogenous variables to use for matching based on exogenous pattern similarity and historical support. Finally, the matched endogenous patterns are used as explicit historical evidence to enhance forecasting. Extensive experiments on 12 real-world datasets demonstrate that XMatch outperforms state-of-the-art baselines.
• Abstract（参考訳）: 将来の外因性変数は内因性時系列を予測する貴重な情報を提供する。 既存の共変量認識法は主に内因性変数に対する外因性変数の直接的な影響を学習する。 しかし、これらの効果は複雑であり、外因性変数のパターンによって変化し、捕獲が困難になる。 この視点を超えて、与えられた外因性パターンは、内因性応答パターンの小さなセットと共起することが多いことを観察する。 これらの協会は、将来および歴史的外因性パターンに一致する戦略を動機付け、それに対応する内因性パターンを用いて予測を強化する。 しかし、複数の外生変数を持つ実世界の予測シナリオでは、各外生変数はマッチングのための異なる次元を提供し、正確なマッチングと十分な歴史的支援の間のこの戦略のためのジレンマを生成する。 このギャップを埋めるために,木構造マッチングプロセスを通じて上記の戦略を実現する共変量対応型予測モデルであるXMatch(Exogenous MATCHing)を提案する。 具体的には、まず、外因性パターンと内因性パターンの歴史的対応をProtoTreeに整理するProtoTree Creatorを紹介する。 予測のために,ProtoTree Matcherを設計し,将来的な外因性変数を用いてProtoTreeを問合せし,外因性パターンの類似性や歴史的サポートに基づくマッチングに使用する外因性変数の数を適応的に決定する。 最後に、一致した内因性パターンは、予測を強化するために明確な歴史的証拠として使用される。 12の現実世界のデータセットに対する大規模な実験は、XMatchが最先端のベースラインを上回っていることを示している。

関連論文リスト

• GCGNet: Graph-Consistent Generative Network for Time Series Forecasting with Exogenous Variables [22.99006519647699]
  GCGNetは、内在変数を用いた時系列予測のためのグラフ一貫性生成ネットワークである。 グラフ構造アリグナーは、生成された相関と真の相関の一貫性を評価することによってそれをガイドする。 劣化を防止し、精度を向上させるため、予測を洗練するためにグラフ精錬器が提案されている。
  論文  参考訳（メタデータ） (2026-03-09T07:11:01Z)
• XLinear: A Lightweight and Accurate MLP-Based Model for Long-Term Time Series Forecasting with Exogenous Inputs [6.220315921943706]
  本研究では,MultiLayer Perceptrons上に構築された軽量時系列予測モデルであるXLinearを提案する。 XLinearは、内因性変数から派生したグローバルトークンを、変数と相互作用するための中心的なハブとして使用し、これらの信号を統合して内因性系列を予測する。
  論文  参考訳（メタデータ） (2026-01-14T07:21:29Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables [75.83318701911274]
  TimeXerは外部情報を取り込み、内因性変数の予測を強化する。 TimeXerは、12の現実世界の予測ベンチマークで一貫した最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-29T11:54:35Z)
• Treeging [0.0]
  木組みは回帰木の柔軟な平均構造と、アンサンブル予測アルゴリズムのベース学習者へのクリグの共分散に基づく予測戦略を組み合わせる。 本研究では,空間及び時空シミュレーションシナリオの網羅的かつ広範囲な電池を横断するツリーングの予測精度について検討した。
  論文  参考訳（メタデータ） (2021-10-03T17:48:18Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)

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。