VCformer: Transformador multicéntrico variable para el pronóstico de series temporales multivariadas

Área de la Ciencia:

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

Sus antecedentes:

• La previsión de series temporales multivariadas es vital para las finanzas y el clima.
• Los modelos existentes centrados en el tiempo luchan con dependencias complejas entre variables.

Objetivo del estudio:

• Proponer el transformador centrado en variables (VCformer) para mejorar el pronóstico de series temporales multivariadas.
• Abordar las limitaciones de los paradigmas tradicionales de modelado centrados en el tiempo.

Principales métodos:

• Introdujo un paradigma de atención centrado en la variable a través de la transposición de secuencias.
• Desarrolló una arquitectura de doble escala para el modelado a nivel de grupo variable y variable.
• Empleado un mecanismo de agrupación de variables adaptativas y un codificador de doble trayectoria para compartir parámetros.

Principales resultados:

• VCformer demostró mejoras significativas en la precisión de las predicciones en siete conjuntos de datos de referencia.
• Superó a los métodos tradicionales centrados en el tiempo, particularmente en conjuntos de datos de alta dimensión.
• Los estudios de ablación confirmaron la eficacia de los componentes individuales.

Conclusiones:

• VCformer ofrece un rendimiento superior y capacidades de modelado para el pronóstico de series temporales multivariadas.
• El enfoque centrado en las variables captura efectivamente las dependencias complejas entre las variables.
• La arquitectura propuesta es robusta para tareas de pronóstico de alta dimensión.