ATFNet : Réseau intégré temps-fréquence adaptatif pour la prévision à long terme des séries temporelles

L’analyse des séries temporelles, par sa nature complexe, tire un grand bénéfice des avantages distincts offerts par les représentations dans les domaines temporel et fréquentiel. Alors que le domaine temporel se distingue par sa capacité à modéliser les dépendances locales, particulièrement dans les séries non périodiques, le domaine fréquentiel excelle quant à lui dans la capture des dépendances globales, ce qui le rend particulièrement adapté aux séries présentant des motifs périodiques évidents. Pour exploiter pleinement ces deux forces, nous proposons ATFNet, un cadre innovant combinant un module dédié au domaine temporel et un module dédié au domaine fréquentiel, permettant ainsi la capture simultanée des dépendances locales et globales dans les données de séries temporelles. Plus précisément, nous introduisons une nouvelle mécanique, appelée Pondération par Énergie des Harmoniques Dominantes, permettant d’ajuster dynamiquement les poids entre les deux modules en fonction de la périodicité de la série temporelle d’entrée. Dans le module du domaine fréquentiel, nous améliorons la transformée de Fourier discrète (DFT) classique par une version étendue, la DFT étendue, conçue pour surmonter le problème de désalignement fréquentiel discret. Par ailleurs, notre mécanisme d’attention sur le spectre complexe propose une approche originale pour capturer les relations complexes entre différentes combinaisons de fréquences. Des expériences étendues menées sur plusieurs jeux de données réels démontrent que notre cadre ATFNet surpasser les méthodes de pointe actuelles dans la prévision à long terme des séries temporelles.