Réseau de fusion de preuves temporelles : vue multi-source dans la prévision de séries temporelles à long terme

Dans les scénarios pratiques, la prévision de séries temporelles exige non seulement une grande précision, mais aussi une efficacité élevée. En conséquence, l’exploration des architectures de modèles reste un sujet de recherche en constante évolution. Pour relever ces défis, nous proposons une nouvelle architecture fondamentale, nommée Réseau de Fusion d’Évidence Temporelle (TEFN), du point de vue de la fusion d’information. Plus précisément, nous introduisons un module d’Attribution de Probabilité de Base (BPA), fondé sur la théorie de l’évidence, afin de capturer l’incertitude des données de séries temporelles multivariées selon les dimensions canal et temps. Par ailleurs, nous développons une nouvelle méthode de fusion d’information multi-sources pour intégrer efficacement les deux dimensions distinctes issues de la sortie du module BPA, ce qui conduit à une amélioration de la précision de la prévision. Enfin, nous menons des expérimentations étendues démontrant que TEFN atteint des performances comparables à celles des méthodes de pointe, tout en présentant une complexité significativement réduite et un temps d’entraînement moindre. Par ailleurs, nos expériences montrent que TEFN présente une robustesse élevée, avec des fluctuations d’erreur minimales lors de la sélection des hyperparamètres. En outre, du fait que le module BPA est issu de la théorie floue, TEFN offre un haut degré d’interprétabilité. Par conséquent, la méthode proposée TEFN équilibre efficacement précision, efficacité, stabilité et interprétabilité, la rendant ainsi une solution particulièrement attrayante pour la prévision de séries temporelles.