Modélisation des motifs temporels à long et court terme avec des réseaux neuronaux profonds

La prévision de séries temporelles multivariées est un problème important d'apprentissage automatique dans de nombreux domaines, notamment la prédiction de la production d'énergie des centrales solaires, la consommation d'électricité et les situations d'embouteillages. Les données temporelles issues de ces applications réelles impliquent souvent un mélange de motifs à long terme et à court terme, pour lesquels les approches traditionnelles telles que les modèles autorégressifs et les processus gaussiens peuvent échouer. Dans cet article, nous proposons un nouveau cadre d'apprentissage profond, appelé Réseau de Séries Temporelles à Long et Court Terme (LSTNet), pour relever ce défi ouvert. LSTNet utilise le réseau neuronal convolutif (CNN) et le réseau neuronal récurrent (RNN) pour extraire les motifs de dépendance locale à court terme entre les variables et découvrir les motifs à long terme pour les tendances des séries temporelles. De plus, nous utilisons le modèle autorégressif traditionnel pour résoudre le problème d'insensibilité à l'échelle du modèle neuronal. Dans notre évaluation sur des données réelles avec des mélanges complexes de motifs répétitifs, LSTNet a obtenu des améliorations significatives des performances par rapport à plusieurs méthodes baselines de pointe. Toutes les données et les codes expérimentaux sont disponibles en ligne.