ConvTimeNet: Ein tiefes hierarchisches vollständig konvolutionales Modell für die Analyse mehrdimensionaler Zeitreihen

Die Entwicklung effektiver Modelle zur Lernung von Zeitreihendarstellungen bildet die Grundlage für die Zeitreihenanalyse. Zahlreiche vorangegangene Arbeiten haben Ansätze zur Modellierung von Zeitreihendarstellungen erforscht und hierin Fortschritte erzielt. Trotz ihrer Wirksamkeit fehlt ihnen eine adaptive Wahrnehmung lokaler Muster in zeitlich abhängigen Grundelementen, und sie sind nicht in der Lage, die multiskalaren Abhängigkeiten zwischen diesen Elementen zu erfassen. Anstelle herkömmlicher Methoden, die auf Selbst-Attention-Mechanismen basieren, stellen wir ConvTimeNet vor – ein hierarchisches reines Faltungsmodell, speziell für die Zeitreihenanalyse konzipiert. ConvTimeNet führt eine deformierbare Patch-Schicht ein, die lokale Muster zeitlich abhängiger Grundelemente datengetrieben adaptiv erfasst. Auf Basis der extrahierten lokalen Muster werden hierarchische reine Faltungsblöcke entworfen, um Abhängigkeitsbeziehungen zwischen den Darstellungen der Grundelemente auf unterschiedlichen Skalen zu erfassen. Darüber hinaus wird ein Mechanismus mit großem Kernel eingesetzt, um sicherzustellen, dass Faltungsblöcke tief gestapelt werden können, wodurch ein größerer Empfindungsbereich erreicht wird. Auf diese Weise können lokale Muster und ihre multiskalaren Abhängigkeiten innerhalb eines einzigen Modells effektiv modelliert werden. Umfangreiche Experimente, die eine Vielzahl unterschiedlicher Modelltypen vergleichen, zeigen, dass reine Faltungsmodelle weiterhin eine hohe Leistungsfähigkeit aufweisen, die oben genannten beiden Herausforderungen effektiv bewältigen und in mehreren Aufgabenstellungen eine überlegene Leistung erzielen. Der Quellcode ist zur Reproduzierbarkeit verfügbar.