Découplage des composantes structurées : vers une prévision de séries temporelles adaptative, interprétable et évolutif

La prévision de séries temporelles multivariées (MTS) constitue un problème fondamental et essentiel dans de nombreuses applications du monde réel. Le défi central de la prévision MTS réside dans la modélisation efficace de motifs spatio-temporels complexes. Dans cet article, nous proposons un cadre prédictif adaptable, interprétable et évolutif, qui vise à modéliser individuellement chaque composante des motifs spatio-temporels. Nous appelons ce cadre SCNN, sigle de Structured Component-based Neural Network. SCNN repose sur un processus génératif prédéfini pour les séries temporelles multivariées, qui caractérise arithmétiquement la structure latente des motifs spatio-temporels. En suivant son processus inverse, SCNN décompose les données MTS en composantes structurées et hétérogènes, puis extrapole séparément l’évolution de chacune de ces composantes, dont la dynamique est plus traçable et prévisible que celle des données MTS d’origine. Des expériences étendues sont menées afin de démontrer que SCNN atteint des performances supérieures par rapport aux modèles de pointe sur trois jeux de données réels. En outre, nous évaluons SCNN sous différentes configurations et menons des analyses approfondies de ses propriétés.