SCINet : Modélisation et prévision des séries temporelles avec la convolution d'échantillons et l'interaction

Une propriété unique des séries temporelles est que les relations temporelles sont largement préservées après le sous-échantillonnage en deux sous-séquences. En exploitant cette propriété, nous proposons une nouvelle architecture de réseau neuronal qui effectue la convolution et l'interaction d'échantillons pour la modélisation et la prévision temporelle, appelée SCINet (Sample Convolution and Interaction Network). Plus précisément, SCINet est une architecture récursive de sous-échantillonnage, convolution et interaction. Dans chaque couche, nous utilisons plusieurs filtres de convolution pour extraire des caractéristiques temporelles distinctes mais précieuses à partir des sous-séquences ou des caractéristiques sous-échantillonnées. En combinant ces caractéristiques riches agrégées à partir de multiples résolutions, SCINet modélise efficacement les séries temporelles avec des dynamiques temporelles complexes. Les résultats expérimentaux montrent que SCINet réalise des améliorations significatives en termes de précision de prévision par rapport aux modèles convolutifs existants et aux solutions basées sur les Transformers sur divers jeux de données de prévision de séries temporelles du monde réel. Nos codes et données sont disponibles sur https://github.com/cure-lab/SCINet.