Variational Mode Decomposition and Linear Embeddings are What You Need For Time-Series Forecasting

要約

時系列予測は、データの変動性による課題に直面することが多く、不正確な予測につながる可能性があります。
変分モード分解 (VMD) は、データを個別のモードに分解することでボラティリティを軽減し、それによって予測精度を向上させる有望な手法として浮上しています。
この研究では、VMD を線形モデルと統合して、堅牢な予測フレームワークを開発します。
私たちのアプローチは、ETTm2、WindTurbine、M4、東南アジアのさまざまな都市からの 10 個の大気質データセットを含む 13 個の多様なデータセットで評価されます。
VMD 戦略の有効性は、VMD を使用するモデルとそれを使用しないモデルの二乗平均平方根誤差 (RMSE) 値を比較することによって評価されます。
さらに、LSTM、双方向 LSTM、RNN などのよく知られたニューラル ネットワーク アーキテクチャに対して線形ベースのモデルをベンチマークします。
結果は、VMD 適用後のほぼすべてのモデルで RMSE が大幅に減少することを示しています。
特に、線形 + VMD モデルは、単変量予測で最も低い平均 RMSE 0.619 を達成しました。
多変量予測では、DLinear + VMD モデルが常に他のモデルを上回り、すべてのデータセットで平均 0.019 という最低の RMSE を達成しました。
これらの発見は、優れた時系列予測のために VMD と線形モデルを組み合わせることが有効であることを強調しています。

要約(オリジナル)

Time-series forecasting often faces challenges due to data volatility, which can lead to inaccurate predictions. Variational Mode Decomposition (VMD) has emerged as a promising technique to mitigate volatility by decomposing data into distinct modes, thereby enhancing forecast accuracy. In this study, we integrate VMD with linear models to develop a robust forecasting framework. Our approach is evaluated on 13 diverse datasets, including ETTm2, WindTurbine, M4, and 10 air quality datasets from various Southeast Asian cities. The effectiveness of the VMD strategy is assessed by comparing Root Mean Squared Error (RMSE) values from models utilizing VMD against those without it. Additionally, we benchmark linear-based models against well-known neural network architectures such as LSTM, Bidirectional LSTM, and RNN. The results demonstrate a significant reduction in RMSE across nearly all models following VMD application. Notably, the Linear + VMD model achieved the lowest average RMSE in univariate forecasting at 0.619. In multivariate forecasting, the DLinear + VMD model consistently outperformed others, attaining the lowest RMSE across all datasets with an average of 0.019. These findings underscore the effectiveness of combining VMD with linear models for superior time-series forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google