Entkoppelung strukturierter Komponenten: Hin zu adaptiven, interpretierbaren und skalierbaren Zeitreihenvorhersagen

Die Vorhersage mehrdimensionaler Zeitreihen (Multivariate Time-Series, MTS) stellt eine zentrale und grundlegende Herausforderung in zahlreichen realweltlichen Anwendungen dar. Das zentrale Problem bei der MTS-Vorhersage besteht darin, komplexe räumlich-zeitliche Muster effektiv zu modellieren. In diesem Paper entwickeln wir einen adaptiven, interpretierbaren und skalierbaren Vorhersageframework, der darauf abzielt, jeweils einzelne Komponenten der räumlich-zeitlichen Muster individuell zu modellieren. Wir bezeichnen diesen Ansatz als SCNN, abgeleitet von „Structured Component-based Neural Network“ (strukturierter, komponentenbasierter neuronaler Netzwerkansatz). SCNN arbeitet mit einem vordefinierten generativen Prozess für MTS-Daten, welcher die latente Struktur der räumlich-zeitlichen Muster arithmetisch charakterisiert. Entsprechend dem inversen Prozess zerlegt SCNN die MTS-Daten in strukturierte und heterogene Komponenten und extrapoliert anschließend separat die Entwicklung dieser Komponenten. Die Dynamik dieser Komponenten ist im Vergleich zu den ursprünglichen MTS-Daten nachvollziehbarer und vorhersagbarer. Umfassende Experimente zeigen, dass SCNN auf drei realen Datensätzen eine überlegene Leistung im Vergleich zu aktuellen State-of-the-Art-Modellen erzielt. Darüber hinaus untersuchen wir SCNN unter verschiedenen Konfigurationen und führen eine detaillierte Analyse der Eigenschaften des Ansatzes durch.