SparseTSF : Modélisation de la prévision de séries temporelles longues avec 1k paramètres

Cet article présente SparseTSF, un nouveau modèle extrêmement léger pour la prévision à long terme des séries temporelles (LTSF), conçu pour relever les défis liés à la modélisation de dépendances temporelles complexes sur de longues horizons tout en utilisant des ressources computationnelles minimales. Au cœur de SparseTSF se trouve la technique de prévision creuse par périodes croisées, qui simplifie la tâche de prévision en décomposant la périodicité et la tendance présentes dans les données sériels temporelles. Cette approche consiste à sous-échantillonner les séquences d'origine afin de se concentrer sur la prédiction de la tendance à travers les périodes, extrayant efficacement les caractéristiques périodiques tout en réduisant au minimum la complexité du modèle et le nombre de paramètres. Grâce à cette technique, SparseTSF utilise moins de 1k paramètres tout en atteignant des performances compétitives, voire supérieures, par rapport aux modèles de pointe. En outre, SparseTSF démontre des capacités remarquables de généralisation, ce qui le rend particulièrement adapté aux scénarios caractérisés par des ressources computationnelles limitées, des échantillons de petite taille ou des données de faible qualité. Le code source est disponible publiquement à l'adresse suivante : https://github.com/lss-1138/SparseTSF.