Repensando el modelado multivariante en pronósticos a largo plazo: un marco univariante eficiente con descomposición...

Área de la Ciencia:

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

Sus antecedentes:

• El pronóstico de series temporales a largo plazo (LTSF) es crucial para las industrias.
• Los enfoques multivariantes actuales enfrentan desafíos como la deriva de datos y el ruido.
• El modelado univariante ofrece una alternativa potencialmente más efectiva y eficiente.

Objetivo del estudio:

• Proponer PDCNet, un modelo univariante novedoso para LTSF.
• Mejorar la predictibilidad y adaptarse a las derivas de patrones de manera eficiente.
• Demostrar la superioridad del modelado univariante para tareas de LTSF.

Principales métodos:

• Se desarrolló la Descomposición de Potencia (P3D) para desentrañar series temporales en función de la distribución de potencia de los datos.
• Se introdujo el análisis Predictability-ACF para umbrales de descomposición óptimos.
• Se diseñó un mecanismo ligero de poscalibración en línea para adaptarse a las derivas de patrones sin reentrenamiento.

Principales resultados:

• PDCNet supera consistentemente a los modelos de vanguardia en tareas de LTSF univariante.
• Se logró un rendimiento multivariante de primer nivel mediante una simple agregación.
• P3D mejoró la precisión en un promedio del 15% en el 68,57% de los casos; la calibración aumentó aún más la precisión en un 16% en las regiones calibradas.
• Se redujo el uso de memoria de la GPU hasta en un 95% en comparación con los modelos multivariantes.

Conclusiones:

• Capturar las dependencias temporales internas dentro de cada variable es un enfoque eficiente y práctico para LTSF.
• PDCNet sirve como una línea de base competitiva, ofreciendo un rendimiento superior con una huella de memoria significativamente reducida.
• Los métodos propuestos mejoran la predictibilidad y la adaptabilidad en el pronóstico de series temporales.