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

要約

時系列予測は、天気予報、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用途に使用される重要な課題です。
この研究では、複数のスケールで動作するデュアル エンコーダー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 を紹介します。
事前定義されたトレンドと季節コンポーネントに依存するモデルとは異なり、LMS-AutoTSF はスケールごとに 2 つの別個のエンコーダーを使用します。1 つはローパス フィルターに焦点を当ててトレンドを捕捉し、もう 1 つはハイパス フィルターを利用して季節変動をモデル化します。
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、周波数領域で傾向成分と季節成分を直接分離できるようになります。
私たちのアプローチにおける重要な革新は、時間ステップの遅れた差分を計算することによって達成される自己相関の統合です。これにより、モデルが時間にわたる依存関係をより効果的に捕捉できるようになります。
各エンコーダーは、完全に接続されたレイヤーを通じて入力を処理し、時間的およびチャネルのインタラクションを処理します。
周波数領域のフィルタリング、自己相関ベースの時間モデリング、およびチャネルごとの変換を組み合わせることで、LMS-AutoTSF は長期的な依存関係と粒度の細かいパターンを正確に捕捉するだけでなく、他の最先端のものと比較してより効率的に動作します。
方法。
その軽量設計により、さまざまな期間にわたる予測の高精度を維持しながら、より高速な処理が保証されます。
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, Google