Représentation désenchevêtrée et interprétable pour une prévision efficace à long terme des séries temporelles
L'Industrie 5.0 pose de nouveaux défis pour la prévision à long terme des séries temporelles (LTSF), caractérisée par des données à haute dimension, à haute résolution et des scénarios d'application à enjeux élevés. Dans ce contexte, le développement de modèles efficaces et interprétables pour la LTSF devient un enjeu majeur. Les modèles profonds et linéaires existants souffrent souvent d'une complexité excessive des paramètres et d'un manque d'interprétabilité intuitive. Pour relever ces défis, nous proposons DiPE-Linear, un réseau linéaire interprétable et à faible coût en paramètres, basé sur une décomposition spatiale-temporelle. DiPE-Linear intègre trois composantes temporelles : l'attention fréquentielle statique (SFA), l'attention temporelle statique (STA) et la cartographie fréquentielle indépendante (IFM). Ces composantes alternent entre l'apprentissage dans les domaines fréquentiel et temporel, permettant une interprétabilité déconnectée. La structure de modèle décomposée réduit la complexité des paramètres de quadratique (dans les réseaux entièrement connectés, FC) à linéaire, et la complexité computationnelle de quadratique à quasi-linéaire en log. Par ailleurs, une politique de partage de poids à faible rang renforce la capacité du modèle à traiter des séries multivariées. Malgré son fonctionnement dans un sous-espace des réseaux entièrement connectés, avec une capacité expressive limitée, DiPE-Linear atteint des performances comparables ou supérieures à celles des modèles FC et non linéaires sur plusieurs jeux de données open-source et réels de LTSF, validant ainsi l'efficacité de sa structure soigneusement conçue. L'association d'efficacité, de précision et d'interprétabilité fait de DiPE-Linear un candidat prometteur pour faire progresser la LTSF tant dans la recherche que dans les applications réelles. Le code source est disponible à l'adresse suivante : https://github.com/wintertee/DiPE-Linear.