Pont entre la simplicité et la sophistication à l'aide de GLinear : Une nouvelle architecture pour une prédiction améliorée des séries temporelles

La prévision de séries temporelles (TSF) est une application importante dans de nombreux domaines. Il existe un débat sur le fait que, bien que les Transformers soient efficaces pour comprendre les séquences longues, ils éprouvent des difficultés à préserver les relations temporelles dans les données de séries temporelles. Des recherches récentes suggèrent que des modèles linéaires plus simples pourraient surpasser ou au moins offrir des performances compétitives par rapport aux modèles complexes basés sur les Transformers pour les tâches de TSF. Dans cet article, nous proposons une nouvelle architecture efficace en termes de données, appelée GLinear, pour la prévision multivariée de séries temporelles qui exploite les motifs périodiques afin d'offrir une meilleure précision. Cette architecture fournit également une meilleure précision de prédiction en utilisant une quantité moindre de données historiques par rapport à d'autres prédicteurs linéaires de pointe. Quatre jeux de données différents (ETTh1, Électricité, Trafic et Météo) sont utilisés pour évaluer les performances du prédicteur proposé. Une comparaison des performances avec des architectures linéaires de pointe (telles que NLinear, DLinear et RLinear) et un prédicteur de séries temporelles basé sur les Transformers (Autoformer) montre que GLinear, malgré son efficacité paramétrique, dépasse significativement les architectures existantes dans la plupart des cas de prévision multivariée de séries temporelles. Nous espérons que le GLinear proposé ouvre de nouvelles voies dans la recherche et le développement d'architectures plus simples et sophistiquées pour l'analyse efficace en termes de données et computationnelle des séries temporelles.