動的モード分解による時系列データストリームの将来予測

• Item type: Trans(1)
• 公開日: 2024-04-23
• タイトル: 動的モード分解による時系列データストリームの将来予測
• タイトル / 言語: en
• タイトル: Real-time Forecasting of Time-evolving Data Streams using Dynamic Mode Decomposition
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [研究論文] 時系列予測，データストリーム処理，動的モード分解
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 大阪大学産業科学研究所産業科学AIセンター／大阪大学大学院情報科学研究科
• 著者所属: 大阪大学産業科学研究所産業科学AIセンター
• 著者所属: 大阪大学産業科学研究所産業科学AIセンター／大阪大学大学院情報科学研究科
• 著者所属: 大阪大学産業科学研究所産業科学AIセンター
• 著者所属(英): en
• 著者所属(英): SANKEN, Osaka University / IST, Osaka University
• 著者所属(英): en
• 著者所属(英): SANKEN, Osaka University
• 著者所属(英): en
• 著者所属(英): SANKEN, Osaka University / IST, Osaka University
• 著者所属(英): en
• 著者所属(英): SANKEN, Osaka University
• 著者名: 千原, 直己; 松原, 靖子; 藤原, 廉; 櫻井, 保志
• 著者名(英): Naoki, Chihara; Yasuko, Matsubara; Ren, Fujiwara; Yasushi, Sakurai
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本論文では，動的モード分解を活用した大規模時系列データストリームの高速予測手法ModeCastを提案する．ModeCastはセンサデータや，Webデータなど，多種多様な時系列パターンにより構成される大規模時系列データストリームが与えられたとき，その中から潜在的なダイナミクスに基づいた重要な時系列パターンを発見することで将来予測を行う．より具体的には，このようなパターンを発見するために動的モード分解（DMD）を活用する．提案手法は，(a)大規模データストリームの中から重要なダイナミクスを発見し，リアルタイムかつ長期的な予測を可能とする．また，(b)様々なデータに対して予測を行うことが可能であり，実用的である．さらに，提案手法は(c)データストリームの長さに依存せず，非常に高速である．実データを活用した実験により，提案手法が時系列データストリームの将来予測のための既存手法と比較して高精度であること，計算時間についてデータサイズに依存せず，より高速なリアルタイム予測を達成していることを明らかにした．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Given a large, online stream of multiple co-evolving data sequences (e.g., sensor/web activities streams), which contains multiple distinct time-series patterns based on inherent dynamics, how do we capture important patterns and forecast future values? In this paper, we present ModeCast, an efficient and effective method for forecasting co-evolving data sequences. ModeCastexploits Dynamic Mode Decomposition (DMD) to capture time-series patterns based on inherent dynamics. Our proposed method has the following properties: (a) Effective: it captures important time-evolving patterns in data streams and enables real-time, long-range forecasting; (b) General: our model can be practically applied to various types of time-evolving data streams; (c) Scalable: our algorithm does not depend on the length of data streams and thus is applicable to very large sequences. Extensive experiments on a real dataset demonstrate that ModeCastmakes long-range forecasts and consistently outperforms the best existing methods as regards accuracy, and the computational speed is sufficiently fast.
• 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: AA11464847
• 書誌情報: 情報処理学会論文誌データベース（TOD）; 巻 17, 号 2, p. 1-11, 発行日 2024-04-23
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7799
• 出版者 / 言語: ja
• 出版者: 情報処理学会