Réexamen de la prévision à long terme des séries temporelles : une investigation sur la cartographie linéaire

La prévision à long terme sur des séries temporelles a suscité un intérêt croissant ces dernières années. Bien qu’il existe diverses architectures spécialisées pour capturer les dépendances temporelles, les études antérieures ont démontré qu’un simple couche linéaire peut atteindre des performances de prévision compétitives par rapport à d’autres architectures plus complexes. Dans ce travail, nous étudions en profondeur l’efficacité intrinsèque des approches récentes et formulons trois observations clés : 1) la transformation linéaire est essentielle dans les approches antérieures de prévision à long terme ; 2) la normalisation réversible (RevIN) et l’indépendance par canal (CI) jouent un rôle crucial dans l’amélioration des performances globales de prévision ; et 3) la transformation linéaire peut capturer efficacement les caractéristiques périodiques des séries temporelles et présente une robustesse face à différentes périodes à travers les canaux lorsque l’horizon d’entrée augmente. Nous fournissons des explications théoriques et expérimentales pour appuyer nos constatations, ainsi qu’une discussion sur les limites de notre approche et les perspectives futures. Le code de notre cadre est disponible à l’adresse suivante : \url{https://github.com/plumprc/RTSF}.