お知らせ 研究会の開催と会場に参加される皆様へのお願い(2021年10月開催~)
電子情報通信学会 研究会発表申込システム
講演論文 詳細
技報閲覧サービス
[ログイン]
技報アーカイブ
 トップに戻る 前のページに戻る   [Japanese] / [English] 

講演抄録/キーワード
講演名 2021-12-16 15:15
LSTNetに基づく多変量時系列予測精度改善法
佐野隼乙六井 淳静岡県大PRMU2021-37
抄録 (和) 多変量時系列予測は,複数の時系列データの過去分析することで,未来の値を予測する分野であり,様々な手法の提案がなされてきた.本研究では,Long and Short term Time series Network(LSTNet)を改良した2つの手法を提案する.LSTNetは,スケール変化の大きいデータに対して,長期の予測が行えないという課題が存在する.そこで,複数の自己回帰層を有するモデルとしてMultiple Autoregressive LSTNet (MALSTNet)を提案する.更に,Recurrent層で用いられているGated recurrent unit(GRU)は,過去の情報を均一に参照している.全ての過去情報が均一に予測に影響を与えている可能性は低く,特定の過去区間情報を強調するモデルとしAttention-LSTNet(ALSTNet)を提案する.本研究では,検証実験から2つの手法の有効性について検証を行った. 
(英) Multivariate time series forecasting is a field to predict future values by analyzing the past of multiple time series data, and various methods have been proposed.In this study, two techniques with improved Long and Short term Time series Network(LSTNet) are proposed. LSTNet has a problem that long-term forecasts cannot be made for data with large scale changes. Therefore, Multiple Autoregressive LSTNet (MALSTNet) is proposed as a model with plural autoregressive layers. In addition, Gated recurrent unit (GRUs) used in Recurrent layers refer to historical data uniformly. It is unlikely that all historical information has an impact on forecasting uniformly, and Attention-LSTNet(ALSTNet) is proposed as a model that emphasizes certain historical interval information. In this study, we verified the effectiveness of the two methods from verification experiments.
キーワード (和) 多変量時系列予測 / 自己回帰 / Long and Short term Time series Network / LSTNet / / / /  
(英) Multivariate Time Series Forecasting / Autoregressive / Long and Short term Time series Network / LSTNet / / / /  
文献情報 信学技報, vol. 121, no. 304, PRMU2021-37, pp. 71-76, 2021年12月.
資料番号 PRMU2021-37 
発行日 2021-12-09 (PRMU) 
ISSN Print edition: ISSN 0913-5685  Online edition: ISSN 2432-6380
著作権に
ついて
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034)
PDFダウンロード PRMU2021-37

研究会情報
研究会 PRMU  
開催期間 2021-12-16 - 2021-12-17 
開催地(和) オンライン開催 
開催地(英) Online 
テーマ(和) 時系列・因果推論・異常検知 
テーマ(英)  
講演論文情報の詳細
申込み研究会 PRMU 
会議コード 2021-12-PRMU 
本文の言語 日本語 
タイトル(和) LSTNetに基づく多変量時系列予測精度改善法 
サブタイトル(和)  
タイトル(英) Multivariate time series forecasting accuracy improvement method based on LSTNet 
サブタイトル(英)  
キーワード(1)(和/英) 多変量時系列予測 / Multivariate Time Series Forecasting  
キーワード(2)(和/英) 自己回帰 / Autoregressive  
キーワード(3)(和/英) Long and Short term Time series Network / Long and Short term Time series Network  
キーワード(4)(和/英) LSTNet / LSTNet  
キーワード(5)(和/英) /  
キーワード(6)(和/英) /  
キーワード(7)(和/英) /  
キーワード(8)(和/英) /  
第1著者 氏名(和/英/ヨミ) 佐野 隼乙 / Hayato Sano / サノ ハヤト
第1著者 所属(和/英) 静岡県立大 (略称: 静岡県大)
University of Shizuoka (略称: Univ of Shizuoka)
第2著者 氏名(和/英/ヨミ) 六井 淳 / Jun Rokui / ロクイ ジュン
第2著者 所属(和/英) 静岡県立大 (略称: 静岡県大)
University of Shizuoka (略称: Univ of Shizuoka)
第3著者 氏名(和/英/ヨミ) / /
第3著者 所属(和/英) (略称: )
(略称: )
第4著者 氏名(和/英/ヨミ) / /
第4著者 所属(和/英) (略称: )
(略称: )
第5著者 氏名(和/英/ヨミ) / /
第5著者 所属(和/英) (略称: )
(略称: )
第6著者 氏名(和/英/ヨミ) / /
第6著者 所属(和/英) (略称: )
(略称: )
第7著者 氏名(和/英/ヨミ) / /
第7著者 所属(和/英) (略称: )
(略称: )
第8著者 氏名(和/英/ヨミ) / /
第8著者 所属(和/英) (略称: )
(略称: )
第9著者 氏名(和/英/ヨミ) / /
第9著者 所属(和/英) (略称: )
(略称: )
第10著者 氏名(和/英/ヨミ) / /
第10著者 所属(和/英) (略称: )
(略称: )
第11著者 氏名(和/英/ヨミ) / /
第11著者 所属(和/英) (略称: )
(略称: )
第12著者 氏名(和/英/ヨミ) / /
第12著者 所属(和/英) (略称: )
(略称: )
第13著者 氏名(和/英/ヨミ) / /
第13著者 所属(和/英) (略称: )
(略称: )
第14著者 氏名(和/英/ヨミ) / /
第14著者 所属(和/英) (略称: )
(略称: )
第15著者 氏名(和/英/ヨミ) / /
第15著者 所属(和/英) (略称: )
(略称: )
第16著者 氏名(和/英/ヨミ) / /
第16著者 所属(和/英) (略称: )
(略称: )
第17著者 氏名(和/英/ヨミ) / /
第17著者 所属(和/英) (略称: )
(略称: )
第18著者 氏名(和/英/ヨミ) / /
第18著者 所属(和/英) (略称: )
(略称: )
第19著者 氏名(和/英/ヨミ) / /
第19著者 所属(和/英) (略称: )
(略称: )
第20著者 氏名(和/英/ヨミ) / /
第20著者 所属(和/英) (略称: )
(略称: )
講演者
発表日時 2021-12-16 15:15:00 
発表時間 15 
申込先研究会 PRMU 
資料番号 IEICE-PRMU2021-37 
巻番号(vol) IEICE-121 
号番号(no) no.304 
ページ範囲 pp.71-76 
ページ数 IEICE-6 
発行日 IEICE-PRMU-2021-12-09 


[研究会発表申込システムのトップページに戻る]

[電子情報通信学会ホームページ]


IEICE / 電子情報通信学会