LightCTS: Ein leichtgewichtiges Framework für die Vorhersage korrelierter Zeitreihen

Die Prognose korrelierter Zeitreihen (KTR) spielt eine entscheidende Rolle in vielen praktischen Anwendungen, wie Verkehrsmanagement und Serverlaststeuerung. Zahlreiche Deep-Learning-Modelle wurden entwickelt, um die Genauigkeit der KTR-Prognose zu verbessern. Trotzdem haben diese Modelle, obwohl sie zunehmend komplexer und rechenintensiver geworden sind, Schwierigkeiten, die Genauigkeit weiter zu steigern. In einem anderen Ansatz strebt diese Studie an, viel effizientere und leichtgewichtige Modelle zu ermöglichen, die die Genauigkeit beibehalten und gleichzeitig auf ressourcenbeschränkten Geräten eingesetzt werden können. Um dieses Ziel zu erreichen, charakterisieren wir gängige KTR-Prognosemodelle und ziehen zwei Beobachtungen, die Richtlinien für leichtgewichtige KTR-Prognosen aufzeigen. Auf dieser Grundlage schlagen wir den LightCTS-Rahmen vor, der eine einfache Stapelung zeitlicher und räumlicher Operatoren anstelle einer weitaus rechenintensiveren alternierenden Stapelung verwendet. Darüber hinaus verfügt LightCTS über leichte zeitliche und räumliche Operator-Module, bekannt als L-TCN (Light Temporal Convolutional Network) und GL-Former (Global Lightweight Former), die eine verbesserte Recheneffizienz bieten, ohne ihre Fähigkeiten zur Merkmalsextraktion einzubüßen. LightCTS umfasst zudem ein Endkompressionsverfahren, um redundante zeitliche Merkmale zu reduzieren und nachfolgende Berechnungen zu beschleunigen. Experimente mit Einzelschritt- und Mehrschritt-Prognosedatenbanken zeigen, dass LightCTS nahezu den Stand der Technik erreicht, während es gleichzeitig erheblich weniger Rechen- und Speicherkapazität benötigt.