Time Evidence Fusion Network: Mehrquellen-View in der Langzeit-Zeitreihen-Vorhersage

In praktischen Szenarien erfordert die Zeitreihenprognose nicht nur hohe Genauigkeit, sondern auch Effizienz. Daher bleibt die Erforschung von Modellarchitekturen ein stets aktuelles Forschungsthema. Um diesen Herausforderungen zu begegnen, schlagen wir aus der Perspektive der Informationsfusion eine neuartige Backbone-Architektur namens Time Evidence Fusion Network (TEFN) vor. Konkret führen wir das Basic Probability Assignment (BPA)-Modul basierend auf der Beweistheorie ein, um die Unsicherheit von multivariaten Zeitreihendaten sowohl in Kanal- als auch in Zeitdimension zu erfassen. Zudem entwickeln wir eine neuartige Methode zur Multi-Source-Informationssynthese, um die beiden unterschiedlichen Dimensionen aus dem BPA-Ausgang effektiv zu integrieren, was zu einer verbesserten Prognosegenauigkeit führt. Schließlich führen wir umfangreiche Experimente durch, die zeigen, dass TEFN eine Leistung erreicht, die mit den aktuellen State-of-the-Art-Methoden vergleichbar ist, gleichzeitig aber deutlich geringere Komplexität und kürzere Trainingszeiten aufweist. Zudem zeigen unsere Experimente, dass TEFN eine hohe Robustheit aufweist, wobei die Fehlerfluktuationen bei der Hyperparameterauswahl minimal sind. Darüber hinaus ermöglicht die Herkunft des BPA aus der Fuzzy-Theorie eine hohe Interpretierbarkeit von TEFN. Insgesamt bietet das vorgeschlagene TEFN ein ausgewogenes Verhältnis zwischen Genauigkeit, Effizienz, Stabilität und Interpretierbarkeit und stellt somit eine vielversprechende Lösung für die Zeitreihenprognose dar.