@article{oai:ipsj.ixsq.nii.ac.jp:00233825,
 author = {千原, 直己 and 松原, 靖子 and 藤原, 廉 and 櫻井, 保志 and Naoki, Chihara and Yasuko, Matsubara and Ren, Fujiwara and Yasushi, Sakurai},
 issue = {2},
 journal = {情報処理学会論文誌データベース（TOD）},
 month = {Apr},
 note = {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．, 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.},
 pages = {1--11},
 title = {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},
 volume = {17},
 year = {2024}
}