SegRNN：長期時系列予測のためのセグメント再帰型ニューラルネットワーク

RNNに基づく手法は、長期時系列予測（LTSF）分野において、極めて長い履歴窓（look-back window）や予測期間（forecast horizon）を扱う際に課題に直面してきました。その結果、この分野における主流は、Transformer、MLP、CNNアプローチへと移行しています。RNNの限界の根本的な原因は、反復的な計算が膨大に必要となる点にあります。この問題に対処するため、本研究ではLTSFタスクにおけるRNNの反復回数を削減するための2つの新規戦略を提案します。すなわち、セグメントごとの反復（Segment-wise Iterations） と 並列多段予測（Parallel Multi-step Forecasting, PMF） です。これらの戦略を組み合わせたRNNモデル、すなわちSegRNNは、LTSFに必要な反復回数を大幅に削減し、予測精度と推論速度の両面で顕著な向上を実現しました。広範な実験により、SegRNNは最先端のTransformerベースモデルを上回る性能を発揮するとともに、実行時間とメモリ使用量を78%以上削減することを確認しました。これらの成果は、RNNが依然としてLTSFタスクにおいて優れた性能を発揮できることを強く示しており、今後のRNNベースのアプローチによるさらなる研究開発を促進するものとなっています。ソースコードは近日公開予定です。