Multimodal Conditioned Diffusive Time Series Forecasting

要約

拡散モデルは、画像とテキストの処理において顕著な成功を収め、時系列予測（TSF）などの特別なドメインに拡張されています。
TSF向けの既存の拡散ベースのアプローチは、主にシングルモダリティ数値シーケンスのモデリングに焦点を当てており、時系列データで豊富なマルチモーダル情報を見落としています。
このような情報を予測のために効果的に活用するために、TSFのマルチモーダル条件付き拡散モデル、つまりMCD-TSFを提案して、タイムスタンプとテキストを時系列モデリングの追加ガイダンスとして、特に予測のための追加のガイダンスとして共同で利用します。
具体的には、タイムスタンプは時系列と組み合わされて、時間的次元に沿って情報を集約する際に、異なるデータポイント間の時間的および意味的相関を確立します。
テキストは、時系列の歴史の補足的な説明として機能し、データポイントと適応的に整合し、分類器を含まない方法で動的に制御されます。
8つのドメインにわたる実際のベンチマークデータセットに関する広範な実験は、提案されているMCD-TSFモデルが最先端のパフォーマンスを達成することを示しています。

要約(オリジナル)

Diffusion models achieve remarkable success in processing images and text, and have been extended to special domains such as time series forecasting (TSF). Existing diffusion-based approaches for TSF primarily focus on modeling single-modality numerical sequences, overlooking the rich multimodal information in time series data. To effectively leverage such information for prediction, we propose a multimodal conditioned diffusion model for TSF, namely, MCD-TSF, to jointly utilize timestamps and texts as extra guidance for time series modeling, especially for forecasting. Specifically, Timestamps are combined with time series to establish temporal and semantic correlations among different data points when aggregating information along the temporal dimension. Texts serve as supplementary descriptions of time series’ history, and adaptively aligned with data points as well as dynamically controlled in a classifier-free manner. Extensive experiments on real-world benchmark datasets across eight domains demonstrate that the proposed MCD-TSF model achieves state-of-the-art performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google