CANet: Red neuronal ChronoAdaptativa para mejorar la predicción a largo plazo de series temporales en condiciones de...

Área de la Ciencia:

• Inteligencia Artificial
• Aprendizaje Automático
• Ciencia de Datos

Sus antecedentes:

• La predicción a largo plazo de series temporales es crucial para aplicaciones del mundo real.
• Los datos no estacionarios con propiedades estadísticas cambiantes plantean desafíos significativos.
• Los modelos existentes a menudo sufren de sobre-estacionarización, lo que limita el rendimiento.

Objetivo del estudio:

• Introducir una arquitectura novedosa, la Red ChronoAdaptativa (CANet), diseñada para abordar la no estacionariedad en la predicción de series temporales.
• Mejorar la precisión predictiva preservando las dependencias temporales esenciales y adaptándose a los cambios estadísticos.
• Prevenir problemas de sobre-estacionarización comunes en los modelos de predicción actuales.

Principales métodos:

• Desarrollo de la arquitectura CANet (ChronoAdaptive Network).
• Integración de un módulo de Normalización Adaptativa No Estacionaria con una Puerta de Mezcla de Estilos (Style Blending Gate) y Normalización Adaptativa de Instancias (AdaIN).
• Empleo de parches multirresolución, umbralización adaptativa basada en análisis de Fourier y una Capa de Producto de Kronecker Apilado (Stacked Kronecker Product Layer).

Principales resultados:

• CANet demostró un rendimiento superior a los métodos de vanguardia en conjuntos de datos del mundo real.
• Se logró una reducción del 42% en el Error Cuadrático Medio (MSE).
• Se logró una reducción del 22% en el Error Absoluto Medio (MAE).

Conclusiones:

• CANet maneja eficazmente los datos de series temporales no estacionarias preservando y reintegrando las características estadísticas.
• La arquitectura propuesta mejora la precisión y robustez de la predicción en condiciones dinámicas.
• CANet representa un avance significativo en la predicción a largo plazo de series temporales, con el código fuente disponible públicamente.