SCINet: Zeitreihenmodellierung und -vorhersage mit Stichprobenfaltung und Interaktion

Eine einzigartige Eigenschaft von Zeitreihen ist, dass die zeitlichen Beziehungen weitgehend erhalten bleiben, nachdem sie in zwei Teilfolgen abgetastet wurden. Indem wir diese Eigenschaft nutzen, schlagen wir eine neuartige Neuronale-Netz-Architektur vor, die Stichprobenfaltung und -interaktion für die zeitliche Modellierung und Vorhersage durchführt. Diese Architektur wird als SCINet (Sample Convolution and Interaction Network) bezeichnet. Genauer gesagt ist SCINet eine rekursive Abtastungs-Faltungs-Interaktionsarchitektur. In jeder Schicht verwenden wir mehrere Faltungsfiltre, um unterschiedliche, aber wertvolle zeitliche Merkmale aus den abgetasteten Teilfolgen oder Merkmalen zu extrahieren. Durch die Kombination dieser reichhaltigen Merkmale, die aus verschiedenen Auflösungen aggregiert werden, modelliert SCINet Zeitreihen mit komplexen zeitlichen Dynamiken effektiv. Experimentelle Ergebnisse zeigen, dass SCINet erhebliche Verbesserungen der Vorhersagegenauigkeit gegenüber sowohl existierenden Faltungsmodellen als auch Transformer-basierten Lösungen auf verschiedenen realweltlichen Zeitreihenvorhersagedatensätzen erzielt. Unser Code und unsere Daten sind unter https://github.com/cure-lab/SCINet verfügbar.