Bridging Simplicity and Sophistication using GLinear: A Novel Architecture for Enhanced Time Series Prediction

要約

時系列予測（TSF）は多くの分野で重要なアプリケーションである。Transformerは長いシーケンスを理解することに長けているにもかかわらず、時系列データの時間的関係を保存することに苦戦しているのではないかという議論がある。最近の研究では、より単純な線形モデルの方が、複雑なTransformerベースのモデルよりも、TSFタスクにおいて優れているか、少なくとも競争力のある性能を提供する可能性が示唆されている。本論文では、多変量TSFのための新しいデータ効率の良いアーキテクチャGLinearを提案する。また、他の最先端の線形予測器と比較して、より少ない量の履歴データを使用することで、より良い予測精度を提供する。つの異なるデータセット（ETTh1, Electricity, Traffic, Weather）を用いて、提案予測器の性能を評価する。最新の線形アーキテクチャ（NLinear、DLinear、RLinearなど）および変換器ベースの時系列予測器（Autoformer）との性能比較から、GLinearはパラメトリックに効率的であるにもかかわらず、多変量TSFのほとんどのケースで既存のアーキテクチャを大幅に上回ることが示される。我々は、提案するGLinearが、データと計算効率の良い時系列解析のための、よりシンプルで洗練されたアーキテクチャの研究開発の新たなフロンティアを開くことを期待している。

要約(オリジナル)

Time Series Forecasting (TSF) is an important application across many fields. There is a debate about whether Transformers, despite being good at understanding long sequences, struggle with preserving temporal relationships in time series data. Recent research suggests that simpler linear models might outperform or at least provide competitive performance compared to complex Transformer-based models for TSF tasks. In this paper, we propose a novel data-efficient architecture, GLinear, for multivariate TSF that exploits periodic patterns to provide better accuracy. It also provides better prediction accuracy by using a smaller amount of historical data compared to other state-of-the-art linear predictors. Four different datasets (ETTh1, Electricity, Traffic, and Weather) are used to evaluate the performance of the proposed predictor. A performance comparison with state-of-the-art linear architectures (such as NLinear, DLinear, and RLinear) and transformer-based time series predictor (Autoformer) shows that the GLinear, despite being parametrically efficient, significantly outperforms the existing architectures in most cases of multivariate TSF. We hope that the proposed GLinear opens new fronts of research and development of simpler and more sophisticated architectures for data and computationally efficient time-series analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL