PAMod：位相振幅変調により周期的なシフトをモデリングする、非定常時系列予測

Abstract

実世界の時系列予測では、時系列にわたって平均や分散が変化するなどの非定常な統計的性質という根本的な課題に直面します。可逆的インスタンス正規化（RevIN）は、入力を定常化し出力を正規化解除（denormalizing）することで有望であることが示されてきましたが、過去と未来の分布が同一であるという強い仮定に依存しています。実際の多くの応用では、分布シフトが周期的な位置（例：季節性や祝日のボラティリティ）と相関する周期的パターンに従うことを観察します。そこで本研究では、正規化された特徴空間における位相振幅変調（Phase-Amplitude Modulation）により周期的な分布シフトをモデル化する、軽量かつ強力な枠組み PAMod を提案します。PAMod は、表現を調整するための周期埋め込み（periodic embeddings）を学習します。位相変調は平均シフトを捉え、振幅変調は分散の変化に適応します。重要なのは、正規化空間での変調が動的な正規化解除（dynamic denormalization）を適用することと数学的に等価であることを証明する点です。これにより、分布適応と表現学習を巧みに統一します。さらに、12 の実世界ベンチマークに対する大規模な実験により、PAMod がより少ない計算資源で最先端の性能を達成することを示します。加えて、この変調メカニズムは新しいプラグアンドプレイ手法として、シンプルな統合によって既存の時系列予測手法を改善できます。