SOFTS : Prédiction efficace de séries temporelles multivariées par fusion noyau-série

La prévision de séries temporelles multivariées joue un rôle fondamental dans divers domaines tels que la finance, la gestion du trafic, l’énergie et la santé. Les études récentes ont mis en évidence les avantages de l’indépendance des canaux pour résister au décalage de distribution, tout en négligeant les corrélations entre canaux, ce qui limite davantage l’amélioration des performances. Plusieurs méthodes exploitent des mécanismes tels que l’attention ou les mixers afin de capturer ces corrélations entre canaux, mais elles introduisent soit une complexité excessive, soit une dépendance trop forte à ces corrélations pour atteindre des résultats satisfaisants en présence de décalages de distribution, particulièrement lorsque le nombre de canaux est élevé. Pour combler cette lacune, ce papier présente un modèle efficace basé sur un MLP, appelé SOFTS (Series-cOre Fused Time Series forecaster), qui intègre un nouveau module centralisé, le STAR (STar Aggregate-Redistribute). Contrairement aux approches traditionnelles qui gèrent les interactions entre canaux via des structures distribuées, telles que l’attention, STAR adopte une stratégie centralisée afin d’améliorer l’efficacité et de réduire la dépendance à la qualité de chaque canal. Il agrège toutes les séries pour former une représentation globale (« noyau »), qui est ensuite redistribuée et fusionnée avec les représentations individuelles des séries afin de faciliter efficacement les interactions entre canaux. SOFTS atteint des performances supérieures par rapport aux méthodes de pointe existantes, tout en présentant une complexité linéaire. Une évaluation empirique démontre également la large applicabilité du module STAR dans différents modèles de prévision. Pour favoriser la recherche et le développement ultérieurs, nous avons rendu notre code public sur GitHub à l’adresse suivante : https://github.com/Secilia-Cxy/SOFTS.