WEITS: A Wavelet-enhanced residual framework for interpretable time series forecasting

要約

時系列 (TS) 予測は、近年、前例のないほど人気のある問題であり、科学分野とビジネス分野の両方で広く応用されています。
時系列分析には、統計的アプローチとディープ ニューラル ネットワークの両方を含むさまざまなアプローチが導入されています。
ニューラル ネットワークのアプローチは、統計的手法よりも強力な表現能力を示していますが、十分な解釈可能性を提供するのが難しく、最適化するには複雑すぎる可能性があります。
この論文では、解釈可能性と計算効率が高い周波数認識深層学習フレームワークである WEITS について紹介します。
WEITS は、マルチレベル ウェーブレット分解を通じて、高度な深層学習フレームワークに周波数分析を新たに組み込みます。
前方後方残差アーキテクチャと組み合わせることで、高い表現能力と統計的解釈可能性の両方を享受できます。
実世界のデータセットに対する広範な実験により、私たちのモデルの競争力のあるパフォーマンスと、高い計算効率というさらなる利点が実証されました。
さらに、WEITS は、時系列予測のための最先端のアプローチと常にシームレスに統合できる一般的なフレームワークを提供します。

要約(オリジナル)

Time series (TS) forecasting has been an unprecedentedly popular problem in recent years, with ubiquitous applications in both scientific and business fields. Various approaches have been introduced to time series analysis, including both statistical approaches and deep neural networks. Although neural network approaches have illustrated stronger ability of representation than statistical methods, they struggle to provide sufficient interpretablility, and can be too complicated to optimize. In this paper, we present WEITS, a frequency-aware deep learning framework that is highly interpretable and computationally efficient. Through multi-level wavelet decomposition, WEITS novelly infuses frequency analysis into a highly deep learning framework. Combined with a forward-backward residual architecture, it enjoys both high representation capability and statistical interpretability. Extensive experiments on real-world datasets have demonstrated competitive performance of our model, along with its additional advantage of high computation efficiency. Furthermore, WEITS provides a general framework that can always seamlessly integrate with state-of-the-art approaches for time series forecast.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google