非定常時系列予測のための周波数適応型正規化
時系列予測では、トレンドと季節性パターンの変化に対処する必要がある。従来の正規化手法は統計的な指標を使用するため、季節性パターンの変化に対応できない。本研究では、フーリエ変換を用いて入力の主要な周波数成分を抽出し、それらの変化を予測することで、トレンドと季節性の両方に対応可能な新しい正規化手法を提案する。
時系列予測のための多視点表現学習アプローチ - TSI
本研究は、トレンド、季節性、独立成分分析(ICA)の3つの視点を統合した新しい時系列予測モデルTSIを提案する。これにより、時系列データの複雑な動態を包括的に捉え、従来手法を上回る予測精度を実現する。
時系列予測における分布変化に対処するための進化型マルチスケールノーマライゼーション
時系列予測における複雑な分布変化の問題に取り組むため、進化型マルチスケールノーマライゼーション(EvoMSN)フレームワークを提案する。EvoMSNは、マルチスケールの統計量予測モジュールと適応的アンサンブル手法を用いて、動的な分布特性をモデル化し、予測モデルの出力を正規化・逆正規化する。さらに、オフラインの2段階事前学習と、オンラインでの交互更新戦略を提案し、予測モデルと統計量予測モジュールを協調的に更新することで、変化する分布に適応する。
長期時系列予測に効果的な新しいRNNの後継モデル
RNNの構造的な限界を克服し、長期依存関係をより効果的に捉えるための新しいモデルPGNを提案する。さらに、長期的な周期性パターンと短期的な変化を別々にモデル化するTPGNを提案し、時系列予測の精度を向上させる。
長期時系列予測における多源情報融合ネットワーク
本論文は、時系列予測の精度、効率性、安定性、解釈性を向上させるために、エビデンス理論に基づいた新しいバックボーンアーキテクチャ「Time Evidence Fusion Network (TEFN)」を提案する。
時系列株価予測のための双方向適応相関空間時間反転トランスフォーマー
本論文は、株式市場の時系列予測のために、双方向適応相関空間時間反転トランスフォーマー(DPA-STIFormer)を提案する。DPA-STIFormerは、時系列の特徴変化をトークンとしてモデル化し、双方向の適応相関メカニズムを導入することで、時系列間の相関を包括的に捉えることができる。
極端事象の予測を強化するための重み付けと微調整
極端事象は重要であるが、データ分布の裾野に位置するため、正確に予測することが困難である。本研究では、重み付けと微調整の2つの戦略を提案し、極端事象の予測性能を向上させる。
時系列予測のための柔軟な時間位置エンベディングモデル「D2Vformer」
D2Vformerは、時間位置情報を効果的に活用し、固定長および可変長の時系列予測タスクで優れた性能を発揮する。
予測精度と解釈可能性のバランスを取る: 時系列予測のための「ほぼ常に線形予測」
時系列予測では、複雑な深層学習モデルよりも単純な線形モデルが多くの場合で十分な性能を発揮する。提案手法AALFは、解釈可能な線形モデルを可能な限り選択し、必要に応じて複雑なモデルを使用することで、予測精度と解釈可能性のバランスを取る。
時系列予測のためのモデルZooからの学習的データ拡張ポリシー
モデルZooを活用して、時系列データの中でモデルの予測精度が不安定な「境界サンプル」を特定し、強化学習を用いて、これらのサンプルを効果的に拡張することで、時系列予測モデルの性能を大幅に向上させる。
© 2024 by Linnk AI