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

要約

タイトル：一般的な時系列解析のための時間2D変動モデリング、TimesNet

要約：
– 気象予測、異常検知、及びアクション認識などの広範なアプリケーションで時系列解析は極めて重要である。
– この論文では、広範な解析タスクの共通鍵問題である時間変動モデリングに焦点を当てる。
– 以前の手法は、複雑な時間パターンのため、1D時系列から直接これを実現しようとしていたが、失敗していた。
– 時系列の多周期性を観察し、複合的な時間変動を複数の周期内変動と周期間変動に分離する。
– 1D時系列の表現能力の限界を克服するために、1D時系列を複数の周期に基づく二次元テンソル集合に変換し、変換によって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カーネルによって2D変動を簡単にモデル化できる。
– 技術的には、我々はタスク一般のバックボーンであるTimesBlockを備えたTimesNetを提案する。これによって、TimesBlockは複数の周期を自適応的に発見し、パラメータ効率の高いインセプション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変動を抽出することができる。
– 提案されたTimesNetは、短期及び長期予測、補間、分類、異常検知などの5つの主要な時系列解析タスクで一貫して最先端の成果を達成している。また、このリポジトリhttps://github.com/thuml/TimesNetでコードを公開している。

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, OpenAI