TimeMixer++: A General Time Series Pattern Machine for Universal Predictive Analysis

要約

時系列分析は多くのアプリケーションで重要な役割を果たし、予測、分類、異常検出、代入などのタスクをサポートします。
この作業では、強力な表現機能とパターン抽出機能を通じて幅広い時系列タスクで優れた性能を発揮するように設計されたモデルであるタイム シリーズ パターン マシン (TSPM) を紹介します。
従来の時系列モデルは、普遍的なパターンを捉えるのに苦労することが多く、さまざまなタスクにわたる有効性が制限されます。
これに対処するために、時間領域で複数のスケールを定義し、周波数領域でさまざまな解像度を定義し、さまざまな混合戦略を採用して、複雑なタスク適応型時系列パターンを抽出します。
具体的には、(1) マルチ解像度時間イメージング (MRTI)、(2) 時間画像分解 (TID)、(3) マルチスケール混合 (MCM)、を使用してマルチスケール時系列を処理する汎用 TSPM を紹介します。
(4) 包括的な時間パターンを抽出するための多重解像度ミキシング (MRM)。
MRTI は、マルチスケール時系列をマルチ解像度時間画像に変換し、時間領域と周波数領域の両方でパターンをキャプチャします。
TID は二重軸の注意を活用して季節パターンとトレンド パターンを抽出しますが、MCM はスケール全体でこれらのパターンを階層的に集約します。
MRM は、解像度全体ですべての表現を適応的に統合します。
この手法は、8 つの時系列分析タスクにわたって最先端のパフォーマンスを実現し、汎用モデルとタスク固有のモデルの両方を常に上回っています。
私たちの研究は、次世代の TSPM に向けた有望な一歩を示し、時系列分析のさらなる進歩への道を切り開きます。

要約(オリジナル)

Time series analysis plays a critical role in numerous applications, supporting tasks such as forecasting, classification, anomaly detection, and imputation. In this work, we present the time series pattern machine (TSPM), a model designed to excel in a broad range of time series tasks through powerful representation and pattern extraction capabilities. Traditional time series models often struggle to capture universal patterns, limiting their effectiveness across diverse tasks. To address this, we define multiple scales in the time domain and various resolutions in the frequency domain, employing various mixing strategies to extract intricate, task-adaptive time series patterns. Specifically, we introduce a general-purpose TSPM that processes multi-scale time series using (1) multi-resolution time imaging (MRTI), (2) time image decomposition (TID), (3) multi-scale mixing (MCM), and (4) multi-resolution mixing (MRM) to extract comprehensive temporal patterns. MRTI transforms multi-scale time series into multi-resolution time images, capturing patterns across both temporal and frequency domains. TID leverages dual-axis attention to extract seasonal and trend patterns, while MCM hierarchically aggregates these patterns across scales. MRM adaptively integrates all representations across resolutions. This method achieves state-of-the-art performance across 8 time series analytical tasks, consistently surpassing both general-purpose and task-specific models. Our work marks a promising step toward the next generation of TSPMs, paving the way for further advancements in time series analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google