PESD-TSF: Framework ispirato alla fisica per la previsione di serie temporali a lungo termine
Un nuovo framework di deep learning, PESD-TSF, affronta la previsione di serie temporali a lungo termine risolvendo l'attenuazione della percezione periodica e le rappresentazioni intrecciate di trend e rumore. Il framework introduce un meccanismo di gating periodico moltiplicativo con priorità a tempo continuo per preservare le strutture periodiche attraverso strati profondi. Impiega inoltre un encoder strutturato multi-scala con attenzione detrendizzata e campionamento gerarchico per disaccoppiare i trend a lungo termine dalle componenti ad alta frequenza. Inoltre, PESD-TSF supera i limiti dei paradigmi indipendenti dal canale modellando la coerenza tra variabili in serie temporali multivariate. L'approccio enfatizza sia l'interpretabilità che l'accuratezza predittiva, offrendo una decomposizione strutturata ispirata alla fisica per la previsione.
Fatti principali
- PESD-TSF è un framework di decomposizione strutturata ispirato alla fisica per la previsione di serie temporali a lungo termine.
- Introduce un meccanismo di gating periodico moltiplicativo con priorità a tempo continuo.
- Il framework utilizza un encoder strutturato multi-scala con attenzione detrendizzata e campionamento gerarchico.
- Affronta l'attenuazione della percezione periodica e le rappresentazioni intrecciate di trend e rumore nelle reti profonde.
- PESD-TSF modella la coerenza tra variabili in serie temporali multivariate.
- Il framework enfatizza congiuntamente interpretabilità e accuratezza predittiva.
- Supera i limiti dei paradigmi indipendenti dal canale.
- L'articolo è disponibile su arXiv con ID 2605.16449.
Entità
Istituzioni
- arXiv