LMS-AutoTSF: Learnable Multi-Scale Decomposition and Integrated Autocorrelation for Time Series Forecasting

要約

時系列予測は、気象予測、株式市場分析、科学シミュレーション、産業プロセス分析などの分野で重要な応用を伴う重要な課題である。この研究では、複数のスケールで動作するデュアルエンコーダを活用しながら、自己相関を組み込んだ新しい時系列予測アーキテクチャであるLMS-AutoTSFを紹介する。LMS-AutoTSFは、事前に定義されたトレンドと季節成分に依存するモデルとは異なり、スケールごとに2つの独立したエンコーダを採用している。1つはトレンドを捕捉するためのローパスフィルタリング、もう1つは季節変動をモデル化するためのハイパスフィルタリングである。これらのフィルターは学習可能であり、モデルが動的に適応し、周波数領域で直接トレンドと季節成分を分離することを可能にする。我々のアプローチにおける重要な革新点は、自己相関の統合であり、これは時間ステップにおける遅れのある差分を計算することによって達成される。各エンコーダーは、時間的相互作用とチャンネル的相互作用を処理するために、完全に連結されたレイヤーを通して入力を処理する。周波数領域フィルタリング、自己相関ベースの時間モデリング、チャンネル単位の変換を組み合わせることで、LMS-AutoTSFは、長期的な依存関係や細かなパターンを正確に捉えるだけでなく、他の最先端の手法と比較してより効率的に動作する。その軽量設計により、多様な時間軸にわたる予測において高い精度を維持しながら、より高速な処理を実現している。ソースコードは㊟URL{http://github.com/mribrahim/LMS-TSF}で公開されています。

要約(オリジナル)

Time series forecasting is an important challenge with significant applications in areas such as weather prediction, stock market analysis, scientific simulations and industrial process analysis. In this work, we introduce LMS-AutoTSF, a novel time series forecasting architecture that incorporates autocorrelation while leveraging dual encoders operating at multiple scales. Unlike models that rely on predefined trend and seasonal components, LMS-AutoTSF employs two separate encoders per scale: one focusing on low-pass filtering to capture trends and the other utilizing high-pass filtering to model seasonal variations. These filters are learnable, allowing the model to dynamically adapt and isolate trend and seasonal components directly in the frequency domain. A key innovation in our approach is the integration of autocorrelation, achieved by computing lagged differences in time steps, which enables the model to capture dependencies across time more effectively. Each encoder processes the input through fully connected layers to handle temporal and channel interactions. By combining frequency-domain filtering, autocorrelation-based temporal modeling, and channel-wise transformations, LMS-AutoTSF not only accurately captures long-term dependencies and fine-grained patterns but also operates more efficiently compared to other state-of-the-art methods. Its lightweight design ensures faster processing while maintaining high precision in forecasting across diverse time horizons. The source code is publicly available at \url{http://github.com/mribrahim/LMS-TSF}

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL