Time Evidence Fusion Network: Multi-source View in Long-Term Time Series Forecasting

要約

現実世界のシナリオでは、時系列予測には適時性が求められることが多く、モデル バックボーンの研究は常にホットなトピックとなっています。
これらの性能要求に応えるため、私たちは情報融合の観点から新たなバックボーンを提案します。
証拠理論に基づいた Basic Probability Assignment (BPA) モジュールと Time Evidence Fusion Network (TEFN) を導入することで、優れたパフォーマンスを実現できます。
一方で、複数ソースの情報融合の観点は、予測の精度を効果的に向上させます。
BPA はファジィ理論によって生成されるため、TEFN にはかなりの解釈可能性もあります。
実際のデータ実験では、TEFN は部分的に最先端を達成し、PatchTST に匹敵する低エラーと、Dlinear などのパフォーマンス モデルを上回る動作効率を実現しました。
一方、TEFN は堅牢性が高く、ランダムなハイパーパラメーター選択における誤差の変動が小さいです。
TEFN は、単一の側面で究極を達成するモデルではなく、パフォーマンス、精度、安定性、解釈可能性のバランスをとったモデルです。

要約(オリジナル)

In real-world scenarios, time series forecasting often demands timeliness, making research on model backbones a perennially hot topic. To meet these performance demands, we propose a novel backbone from the perspective of information fusion. Introducing the Basic Probability Assignment (BPA) Module and the Time Evidence Fusion Network (TEFN), based on evidence theory, allows us to achieve superior performance. On the other hand, the perspective of multi-source information fusion effectively improves the accuracy of forecasting. Due to the fact that BPA is generated by fuzzy theory, TEFN also has considerable interpretability. In real data experiments, the TEFN partially achieved state-of-the-art, with low errors comparable to PatchTST, and operating efficiency surpass performance models such as Dlinear. Meanwhile, TEFN has high robustness and small error fluctuations in the random hyperparameter selection. TEFN is not a model that achieves the ultimate in single aspect, but a model that balances performance, accuracy, stability, and interpretability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google