Pronóstico robusto de series temporales multivariadas contra el desplazamiento de transición entre series e...

Área de la Ciencia:

• Aprendizaje automático
• Análisis de las series temporales
• Ciencia de los datos

Sus antecedentes:

• Los datos de series temporales multivariadas (MTS) del mundo real muestran no estacionalidad, lo que causa un cambio de distribución que desafía los modelos de pronóstico.
• Los métodos existentes como la normalización adaptativa y el modelado de variantes de tiempo tienen limitaciones en la captura de correlaciones intraseries / interseries y las causas fundamentales del cambio de distribución.

Objetivo del estudio:

• Desarrollar un modelo gráfico probabilístico unificado (PGM) para abordar conjuntamente las correlaciones intraseries/interseries y las distribuciones de variantes de tiempo en las previsiones MTS no estacionarias.
• Introducir un marco neuronal, JointPGM, diseñado para mitigar las limitaciones de los enfoques actuales para la previsión de MTS.

Principales métodos:

• JointPGM utiliza las funciones de base de Fourier para aprender los factores de tiempo dinámicos.
• Incorpora aprendices intraseries e interseries distintos para capturar las dinámicas temporales y espaciales, respectivamente.
• El muestreo Gumbel-softmax y la propagación multihop se emplean para el modelado explícito de la dinámica espacial.

Principales resultados:

• JointPGM logra un rendimiento de pronóstico de última generación (SOTA) en seis conjuntos de datos MTS altamente no estacionarios.
• El modelo demuestra eficacia y eficiencia en el manejo de dinámicas complejas temporales y espaciales.
• La validación experimental confirma la capacidad del modelo para capturar las causas subyacentes del cambio de distribución.

Conclusiones:

• JointPGM ofrece un marco unificado para la previsión MTS no estacionaria mediante el modelado conjunto de correlaciones y distribuciones de variantes de tiempo.
• El marco neuronal propuesto mejora la expresividad y la interpretabilidad del modelo para abordar el cambio de distribución.
• Los resultados ponen de relieve el potencial de JointPGM para mejorar la precisión y la robustez de las previsiones MTS.