D-PAD: Deep-Shallow Multi-Frequency Patterns Disentangling for Time Series Forecasting

要約

時系列予測では、複雑な時間的パターンを効果的に解きほぐすことが重要です。
最近の研究では、分解技術と深層学習を組み合わせようとしていますが、トレンドや季節など、分解されたコンポーネントには依然として複数の周波数が混在している可能性があります。
さらに、フーリエ変換やウェーブレット変換などの周波数領域の解析方法には、時間領域の分解能と適応性に限界があります。
この論文では、時系列予測のための深浅多周波数パターンもつれを解くニューラル ネットワークである D-PAD を提案します。
具体的には、マルチコンポーネント分解 (MCD) ブロックが導入され、シリーズを「浅い」側面に対応する異なる周波数範囲のコンポーネントに分解します。
「深い」側面に対応して、コンポーネントに混合された周波数の情報を段階的に抽出するために、分解-再構築-分解(D-R-D)モジュールが提案されています。
その後、インタラクションおよびフュージョン (IF) モジュールを使用してコンポーネントをさらに分析します。
7 つの現実世界のデータセットに対する広範な実験により、D-PAD が最先端のパフォーマンスを達成し、MSE と MAE でそれぞれ平均 9.48% と 7.15% 最高のベースラインを上回るパフォーマンスを示していることが実証されました。

要約(オリジナル)

In time series forecasting, effectively disentangling intricate temporal patterns is crucial. While recent works endeavor to combine decomposition techniques with deep learning, multiple frequencies may still be mixed in the decomposed components, e.g., trend and seasonal. Furthermore, frequency domain analysis methods, e.g., Fourier and wavelet transforms, have limitations in resolution in the time domain and adaptability. In this paper, we propose D-PAD, a deep-shallow multi-frequency patterns disentangling neural network for time series forecasting. Specifically, a multi-component decomposing (MCD) block is introduced to decompose the series into components with different frequency ranges, corresponding to the ‘shallow’ aspect. A decomposition-reconstruction-decomposition (D-R-D) module is proposed to progressively extract the information of frequencies mixed in the components, corresponding to the ‘deep’ aspect. After that, an interaction and fusion (IF) module is used to further analyze the components. Extensive experiments on seven real-world datasets demonstrate that D-PAD achieves the state-of-the-art performance, outperforming the best baseline by an average of 9.48% and 7.15% in MSE and MAE, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google