[Open DMQA Seminar] Multi-periodicity and Multi-scale Approaches for Time Series Analysis скачать в хорошем качестве

[Open DMQA Seminar] Multi-periodicity and Multi-scale Approaches for Time Series Analysis

시계열 분석에서 복잡한 패턴을 이해하기 위한 접근 방식은 끊임없이 발전해왔다. 전통적으로는 trend와 seasonality 분해를 통해 시계열의 구성 요소를 이해하고자 했으며, 이러한 개념은 현대 딥러닝에서도 활용되고 있다. 한편, 시계열의 주기적 특성을 이해하기 위해 FFT(fast Fourier transform)를 활용한 주파수 도메인 분석이 도입되었고, 이를 이용한 연구가 굉장히 활발히 진행되었다. 이러한 접근법의 대표적 사례로 TimesNet을 소개한다. 최근에는 데이터의 관찰 간격에 따른 패턴 변화를 고려하는 다중 스케일(multi-scale) 접근이 TimeMixer를 통해 제안 되었다. 본 세미나에서는 시계열 데이터의 복잡한 패턴을 세분화하여 이해하고자 했던 이러한 발전 과정과 주요 방법론들을 소개한다. 참고자료: [1] Cleveland, R. B., Cleveland, W. S., McRae, J. E., & Terpenning, I. (1990). STL: A seasonal-trend decomposition. J. off. Stat, 6(1), 3-73. [2] Wu, H., Xu, J., Wang, J., & Long, M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. Advances in neural information processing systems, 34, 22419-22430. [3] Wu, H., Hu, T., Liu, Y., Zhou, H., Wang, J., & Long, M. (2022). Timesnet: Temporal 2d-variation modeling for general time series analysis. arXiv preprint arXiv:2210.02186. [4] Wang, S., Wu, H., Shi, X., Hu, T., Luo, H., Ma, L., ... & Zhou, J. (2024). Timemixer: Decomposable multiscale mixing for time series forecasting. arXiv preprint arXiv:2405.14616.