Tailored Architectures for Time Series Forecasting: Evaluating Deep Learning Models on Gaussian Process-Generated Data

要約

深い学習の開発により、順次データに固有の複雑な時間的依存性のより正確なモデリングを可能にすることにより、時系列予測が大幅に改善されました。
このようなモデルの有効性は、特定の現実世界のデータの限られたセットでしばしば実証されています。
これにより比較分析が可能ですが、個々のモデルのアーキテクチャの強みと特定のデータ特性がどのように整合するかをまだ示していません。
私たちの研究は、時系列の特性と特定のモデルの間の明確な接続を明らかにすることを目的としています。
ガウスプロセスを使用して生成された新しいデータセットを導入します。これは、モデル適応性のターゲット評価のための明確で既知の特性を表示するように特別に設計されています。
さらに、トレンドや定期的なパターンを含む多様な時間的ダイナミクスを処理するように調整されたモジュラーアーキテクチャを組み込んだ新しいモデルであるTimeFlexを提示します。
このモデルは、現在の最先端モデルと比較され、さまざまな時系列条件下でモデルのパフォーマンスをより深く理解しています。

要約(オリジナル)

Developments in Deep Learning have significantly improved time series forecasting by enabling more accurate modeling of complex temporal dependencies inherent in sequential data. The effectiveness of such models is often demonstrated on limited sets of specific real-world data. Although this allows for comparative analysis, it still does not demonstrate how specific data characteristics align with the architectural strengths of individual models. Our research aims at uncovering clear connections between time series characteristics and particular models. We introduce a novel dataset generated using Gaussian Processes, specifically designed to display distinct, known characteristics for targeted evaluations of model adaptability to them. Furthermore, we present TimeFlex, a new model that incorporates a modular architecture tailored to handle diverse temporal dynamics, including trends and periodic patterns. This model is compared to current state-of-the-art models, offering a deeper understanding of how models perform under varied time series conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google