論文の概要: VaryST: Generalizable Spatio-Temporal Forecasting Beyond the Closed-World Setting
- arxiv url: http://arxiv.org/abs/2610.19813v1
- Date: Wed, 14 Oct 2026 08:56:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 12:10:45.453259
- Title: VaryST: Generalizable Spatio-Temporal Forecasting Beyond the Closed-World Setting
- Title（参考訳）: VaryST: クローズドワールド設定を超えた、一般化可能な時空間予測
- Abstract要約: 既存のモデルは、ノード固有の表現、事前に定義された空間サポート、一貫した観測への依存を通じて、トレーニング環境に密結合されることが多い。
本稿では,スクラッチから学習したコンパクトセット予測モデルであるVarySTを提案する。
実験により、VarySTはドメイン内予測精度が強く、空間的および時間的変化下でゼロショットの一般化を大幅に改善し、観測可用性の変動に対して頑健であることが示された。
- 参考スコア（独自算出の注目度）: 29.077577655693876
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatio-temporal forecasting is fundamental to many real-world systems, yet deployment environments are inherently varying: temporal distributions may evolve, spatial domains may change, and observation availability may shift from training conditions. Existing models are often tightly coupled to their training environments through node-specific representations, predefined spatial support sets, and reliance on consistently available observations, limiting generalization to changing environments. To this end, we propose VaryST, a compact spatio-temporal forecasting model trained from scratch that achieves strong generalization by dynamically constructing predictive context from available long-term observations. To accommodate temporal changes, VaryST derives node representations from long-term histories, capturing current behavior in the context of longer-term patterns. To adapt to spatial changes, it dynamically selects functionally relevant support nodes beyond predefined neighborhoods and integrates their information with recent and long-term target states and global context. To handle varying observation availability, VaryST selectively masks historical patches on which the model relies most during training, encouraging it to exploit alternative temporal and spatial dependencies for accurate forecasting when key observations become unavailable. Extensive experiments on six real-world datasets against seventeen baselines show that VaryST achieves strong in-domain forecasting accuracy, substantially improves zero- and few-shot generalization under spatial and temporal changes, and remains robust to varying observation availability.
- Abstract（参考訳）: 時空間分布は進化し、空間領域は変化し、観測可能な状態は訓練条件からシフトする。
既存のモデルは、ノード固有の表現、事前に定義された空間サポートセット、一貫した可観測性に依存し、一般化を環境の変化に限定することで、トレーニング環境に密結合することが多い。
そこで本稿では,スクラッチから学習したコンパクトな時空間予測モデルであるVarySTを提案する。
時間的変化に対応するため、VarySTは長期履歴からノード表現を導出し、長期パターンのコンテキストにおける現在の振る舞いをキャプチャする。
空間変化に適応するため、事前に定義された地区を超えて機能的に関連するサポートノードを動的に選択し、その情報を最近の長期目標状態やグローバルコンテキストと統合する。
VarySTは、トレーニング中に最も依存する履歴パッチを選択的にマスキングし、キーの観測が不可能になった場合の正確な予測のために、時間的および空間的依存関係の代替を利用するように促す。
17の基準線に対する6つの実世界のデータセットの大規模な実験は、VarySTが強いドメイン内予測精度を達成し、空間的および時間的変化の下でゼロショットと少数ショットの一般化を著しく改善し、観測可用性の変動に対して頑健であることを示している。
関連論文リスト
- SPACE: Sample-cloud Predictive Adaptive Conformal Ellipsoids for Multivariate Time-Series Forecasting [0.42056926734482064]
SPACEはサンプル生成型多変量予測器のための共形ラッパーである。
現在の予測サンプル雲から直接時間-局所共分散の幾何を推定することにより楕円形の関節予測領域を構築する。
達成された関節と転がりのカバーを名目上の目標に近づける。
論文 参考訳（メタデータ） (2026-08-18T03:44:32Z) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - 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) - MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。
MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。
このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
論文 参考訳（メタデータ） (2026-02-14T14:00:06Z) - TimeCatcher: A Variational Framework for Volatility-Aware Forecasting of Non-Stationary Time Series [10.101769981379002]
我々は,新しいボラティリティを考慮した変動予測フレームワークであるTimeCatcherを提案する。
TimeCatcherは線形アーキテクチャを拡張し、変動エンコーダを使用して、履歴データに隠された潜在動的パターンをキャプチャする。
9つの実世界のデータセットの実験は、TimeCatcherが一貫して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。
論文 参考訳（メタデータ） (2026-01-28T10:06:57Z) - TimeMosaic: Temporal Heterogeneity Guided Time Series Forecasting via Adaptive Granularity Patch and Segment-wise Decoding [3.64798801374117]
TimeMosaicは、時間的不均一性に対処することを目的とした予測フレームワークである。
TimeMosaicは、局所情報密度に応じて動的に粒度を調整するために適応パッチ埋め込みを採用している。
我々は,321億の観測値を持つ大規模コーパスを訓練し,最先端のTSFMと性能を比較検討した。
論文 参考訳（メタデータ） (2025-09-23T09:20:00Z) - 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) - Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。
本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。
提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
論文 参考訳（メタデータ） (2024-12-15T12:41:53Z) - GinAR: An End-To-End Multivariate Time Series Forecasting Model Suitable for Variable Missing [21.980379175333443]
本稿では,グラフ補間注意再帰ネットワーク(GinAR)を提案する。
GinARでは、2つの重要なコンポーネント、すなわち注意と適応グラフの畳み込みで構成されている。
5つの実世界のデータセットで実施された実験では、GinARは11のSOTAベースラインより優れており、90%の変数が欠落している場合でも、すべての変数の将来の値を正確に予測できる。
論文 参考訳（メタデータ） (2024-05-18T16:42:44Z) - 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)
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。