論文の概要: World2TS: Real-World Event Context for Time-Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.14861v1
• Date: Sat, 10 Oct 2026 12:31:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:23:12.84832
• Title: World2TS: Real-World Event Context for Time-Series Forecasting
• Title（参考訳）: World2TS: 時系列予測のためのリアルタイムイベントコンテキスト
• Abstract要約: 時系列予測は、幅広い現実世界の応用において重要な役割を果たす。 World2TSはスケーラブルな構築フレームワークであり、リアルタイムイベントコンテキストによる時系列予測のための大規模データセットである。 我々はWorld2tsデータを構築し、このデータには6つのドメインにわたる31のデータセットが含まれており、4,179のシリーズ、97.100万の観測、1,159のイベント、56,846のイベントシリーズリンクが含まれている。
• 参考スコア（独自算出の注目度）: 48.654733530663265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series forecasting plays a vital role in a wide range of real-world applications. Recent approaches have achieved strong performance by modeling temporal correlations and cross-channel dependencies, yet most forecasting benchmarks still represent time series primarily as numerical histories. In practice, time series are observations of complex real-world processes, and their trajectories may reflect events, interventions, disruptions, and changes in measurement or reporting that cannot always be inferred from past values alone. A central barrier to studying context-aware forecasting is therefore the lack of large-scale datasets that align real-world events with the individual series they affect. We present World2TS, a scalable construction framework and large-scale dataset for time-series forecasting with real-world event context. We first develop world2ts-core, a reusable tool that combines agent-led semantic reasoning and Web search, command-line execution and validation, and human review within a feedback-driven discovery workflow. Given heterogeneous time series with semantic descriptions, the workflow discovers candidate events, consolidates retrieved evidence into verified events, and links them to relevant series under explicit temporal and semantic scopes. Using this framework, we construct world2ts-data, which contains 31 datasets across six domains, comprising 4,179 series, 97.1 million observations, 1,159 events, and 56,846 event-series links. We further conduct extensive data analyses and controlled comparative experiments to characterize the dataset and demonstrate the utility of the collected context for improving forecasting accuracy. World2TS provides a reusable data foundation for developing and evaluating context-aware forecasting models and agents. The project homepage is available at https://world2ts.github.io/.
• Abstract（参考訳）: 時系列予測は、幅広い現実世界の応用において重要な役割を果たす。 近年の手法は時間的相関とチャネル間の依存関係をモデル化することで高い性能を達成しているが、ほとんどの予測ベンチマークは依然として時系列を主に数値履歴として表現している。 実際には、時系列は複雑な現実世界の過程の観測であり、その軌跡は過去の値から常に推測できない出来事、介入、破壊、測定や報告の変化を反映している可能性がある。 したがって、コンテキスト認識予測を研究するための中心的な障壁は、現実世界のイベントと影響する個々のシリーズを整列する大規模なデータセットの欠如である。 We present World2TS, a scalable construction framework and large-scale dataset for time-series forecasting with real-world event context。 我々はまず,エージェント主導のセマンティック推論とWeb検索,コマンドラインの実行と検証,人間によるレビューを組み合わせた再利用可能なツールである world2ts-core を開発した。 セマンティックな記述を伴う異種時系列が与えられたとき、ワークフローは候補イベントを発見し、得られた証拠を検証されたイベントに統合し、明示的な時間的および意味的なスコープの下で関連するシリーズにリンクする。 このフレームワークを用いてWorld2ts-dataを構築し、シリーズ4,179件、観測97.100万件、イベント1,159件、イベントシリーズ56,846件のリンクを含む、6つのドメインにわたる31のデータセットを含む。 さらに、データセットを特徴付けるための広範なデータ分析と比較実験の制御を行い、予測精度を向上させるために収集したコンテキストの有用性を実証する。 World2TSは、コンテキスト対応予測モデルとエージェントの開発と評価のための再利用可能なデータ基盤を提供する。 プロジェクトのホームページはhttps://world2ts.github.io/.comで公開されている。

関連論文リスト

• Foundation Models for Event Prediction Across Heterogeneous Event Logs [12.568249964859852]
  イベントログは、ビジネスプロセス、製造、医療、その他多くの運用システムを含む、現実世界のドメインにまたがる。 FEPはシンプルでスケーラブルなインコンテキストアーキテクチャで、学習されたイベントレベルの非推論を通じて次のイベント予測を実行する。 FEPはパラメータ適応のない新しいイベントシステムに効果的に一般化する。
  論文  参考訳（メタデータ） (2026-10-13T00:00:04Z)
• It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
  時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。 我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。 静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
  論文  参考訳（メタデータ） (2026-02-12T16:31:01Z)
• TimeCAP: Learning to Contextualize, Augment, and Predict Time Series Events with Large Language Model Agents [52.13094810313054]
  TimeCAPは、時系列データのコンテキスト化ツールとしてLarge Language Models(LLM)を創造的に利用する時系列処理フレームワークである。 TimeCAPには2つの独立したLCMエージェントが組み込まれており、1つは時系列のコンテキストをキャプチャするテキスト要約を生成し、もう1つはより情報のある予測を行うためにこのリッチな要約を使用する。 実世界のデータセットによる実験結果から,TimeCAPは時系列イベント予測の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-17T04:17:27Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• DAM: Towards A Foundation Model for Time Series Forecasting [0.8231118867997028]
  本稿では,ランダムにサンプリングされた履歴を抽出し,時間連続関数として調整可能な基底組成を出力するニューラルモデルを提案する。 1)長い尾の分布からランダムにサンプリングされたヒストリーを使用する柔軟なアプローチ、(2)これらの活発にサンプリングされたヒストリーに基づいてトレーニングされたトランスフォーマーバックボーンを表現的出力として、(3)時間の連続関数の基底係数を含む。
  論文  参考訳（メタデータ） (2024-07-25T08:48:07Z)
• UniCL: A Universal Contrastive Learning Framework for Large Time Series Models [18.005358506435847]
  時系列分析は、金融から医療まで、さまざまな重要なアプリケーションにおいて重要な役割を果たす。 従来の教師付き学習手法は、まず各タスクにおける時系列データの広範なラベルを注釈付けする。 本稿では,時系列基礎モデルの事前学習を目的とした,普遍的でスケーラブルなコントラスト学習フレームワークUniCLを紹介する。
  論文  参考訳（メタデータ） (2024-05-17T07:47:11Z)
• SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting [63.01035584154509]
  私たちは完全に自動化されたパイプラインを開発し、約0.6百万のニュース記事からMidEast-TEという大規模なデータセットを構築しました。 このデータセットは、2015年から2022年まで、主に中東地域での協力と紛争イベントに焦点を当てている。 そこで本稿では,SCTc-TE予測にローカルコンテキストとグローバルコンテキストの両方を活用可能なLoGoを提案する。
  論文  参考訳（メタデータ） (2023-12-02T07:40:21Z)

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。