时间证据融合网络：长期时间序列预测中的多源视角

在实际应用场景中，时间序列预测不仅要求具备高精度，还必须兼顾高效性。因此，模型架构的探索始终是研究领域的热点议题。为应对上述挑战，本文从信息融合的视角提出一种新型主干网络架构——时间证据融合网络（Time Evidence Fusion Network, TEFN）。具体而言，我们基于证据理论引入了基本概率分配（Basic Probability Assignment, BPA）模块，从通道维度与时间维度双重角度捕捉多变量时间序列数据的不确定性。此外，我们设计了一种新颖的多源信息融合方法，有效整合BPA输出的两个异构维度信息，显著提升了预测精度。通过大量实验验证，TEFN在性能上可媲美当前最先进的方法，同时展现出显著更低的模型复杂度与更短的训练时间。实验结果还表明，TEFN在超参数选择过程中表现出极强的鲁棒性，误差波动极小。尤为重要的是，由于BPA模块源于模糊理论，TEFN具备较高的可解释性。综上所述，所提出的TEFN在精度、效率、稳定性与可解释性之间实现了良好平衡，为时间序列预测提供了一种极具潜力的解决方案。