差分計算による高速な時系列データ予測

• Item type: SIG Technical Reports(1)
• 公開日: 2022-12-20
• タイトル: 差分計算による高速な時系列データ予測
• タイトル / 言語: en
• タイトル: Fast Incremental Time Series Data Prediction
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: データベース処理
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 筑波大学計算科学研究センター
• 著者所属: 筑波大学計算科学研究センター
• 著者所属: 筑波大学国際統合睡眠医科学研究機構／産総研人工知能研究センター
• 著者名: Savong, Bou; 天笠, 俊之; 北川, 博之
• 著者名(英): Savong, Bou; Toshiyuki, Amagasa; Hiroyuki, Kitagawa
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 時系列データの予測は，自然災害防止システム，天気予報，交通管制システムなど，多くのアプリケーションで役立つ．時系列予測は広く研究されている．多くの既存の予測モデルは，短いシーケンスの時系列を予測するときにうまく機能する傾向があることが知られている．ただし，長いシーケンスの時系列を扱うと，パフォーマンスが大幅に低下する．最近では，この方向性についてより多くの研究が行われており，Informer は現在最も効率的な予測モデルである．Informer の主な欠点は，段階的に学習できないことである．本研究では，InTrans と呼ばれるインクリメンタル Transformer を提案し，Informer のトレーニング/予測時間を短縮することで上記のボトルネックに対処する．InTrans は，最先端のモデルである Informer よりも，トレーニングと予測の両方の速度を大幅に向上させることができる．広範な実験により，短いシーケンスと長いシーケンスの時系列予測の両方で，InTrans は Informer よりも約 26% 高速であることを示した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Forecasting time-series data is useful in many applications, such as natural disaster prevention systems, weather forecasting, and traffic control systems. Time series forecasting has been extensively studied. Many existing forecasting models tend to work well when forecasting short-sequence time series. However, when working with long sequence time series, the performance suffers significantly. Recently, there has been more intense research in this direction, and Informer is currently the most efficient predictive model. Informer's main drawback is that it doesn't allow for incremental learning. In this paper, we propose an incremental Transformer called InTrans, which addresses the above bottleneck by reducing the training/prediction time of Informer. InTrans can significantly improve the speed of both training and prediction over the state-of-the-art model Informer. Extensive experiments show that InTrans is about 26% faster than Informer for both short and long sequence time series prediction.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10112482
• 書誌情報: 研究報告データベースシステム（DBS）; 巻 2022-DBS-176, 号 4, p. 1-7, 発行日 2022-12-20
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-871X
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会