TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis

要約

時系列分析は、天気予報、異常検出、行動認識などの広範なアプリケーションで非常に重要です。
このホワイト ペーパーでは、広範な分析タスクの共通の重要な問題である時間変動モデリングに焦点を当てています。
以前の方法では、これを 1D 時系列から直接達成しようとしていましたが、これは複雑な時間パターンのために非常に困難です。
時系列における複数周期性の観察に基づいて、複雑な時間的変動を複数の周期内および周期間変動に分解します。
表現能力における 1D 時系列の制限に取り組むために、1D 時系列を複数の期間に基づく 2D テンソルのセットに変換することにより、時間変動の分析を 2D 空間に拡張します。
この変換により、周期内変動と周期間変動をそれぞれ 2D テンソルの列と行に埋め込むことができ、2D 変動を 2D カーネルで簡単にモデル化できます。
技術的には、TimesBlock を使用した TimesNet を、時系列分析の一般的なバックボーンとして提案します。
TimesBlock は、多周期性を適応的に発見し、パラメータ効率の良い開始ブロックによって、変換された 2D テンソルから複雑な時間的変動を抽出できます。
私たちが提案する TimesNet は、短期および長期の予測、代入、分類、異常検出など、5 つの主流の時系列分析タスクで一貫した最先端技術を実現します。
コードは、https://github.com/thuml/TimesNet のリポジトリで入手できます。

要約(オリジナル)

Time series analysis is of immense importance in extensive applications, such as weather forecasting, anomaly detection, and action recognition. This paper focuses on temporal variation modeling, which is the common key problem of extensive analysis tasks. Previous methods attempt to accomplish this directly from the 1D time series, which is extremely challenging due to the intricate temporal patterns. Based on the observation of multi-periodicity in time series, we ravel out the complex temporal variations into the multiple intraperiod- and interperiod-variations. To tackle the limitations of 1D time series in representation capability, we extend the analysis of temporal variations into the 2D space by transforming the 1D time series into a set of 2D tensors based on multiple periods. This transformation can embed the intraperiod- and interperiod-variations into the columns and rows of the 2D tensors respectively, making the 2D-variations to be easily modeled by 2D kernels. Technically, we propose the TimesNet with TimesBlock as a task-general backbone for time series analysis. TimesBlock can discover the multi-periodicity adaptively and extract the complex temporal variations from transformed 2D tensors by a parameter-efficient inception block. Our proposed TimesNet achieves consistent state-of-the-art in five mainstream time series analysis tasks, including short- and long-term forecasting, imputation, classification, and anomaly detection. Code is available at this repository: https://github.com/thuml/TimesNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google