Deep Learning For Improved Multi-variate Time Series Forecasting

Résumé: La prévision de séries chronologiques est cruciale dans divers domaines, en partic- ulier lorsqu’il s’agit d’ensembles de données multivariés caractérisés par une dynamique complexe et des interdépendances complexes entre plusieurs variables. Les approches traditionnelles utilisent souvent des architectures à haute capacité telles que les réseaux neuronaux récurrents (RNN) et des modèles basés sur l’attention pour gérer de telles complexités. Cependant, des études récentes ont révélé que des modèles linéaires univar- iés plus simples peuvent parfois surpasser ces méthodes sophistiquées sur plusieurs points de référence. Cette recherche effectue une analyse complète des performances de 10 mod- èles de prévision, notamment des transformateurs, des modèles linéaires, des modèles de mélange MLP et d’autres modèles d’apprentissage en profondeur spécialisés dans la prévi- sion de séries chronologiques. L’objectif est d’identifier le modèle le plus approprié pour différents ensembles de données en examinant leurs performances dans diverses conditions et complexités. Cette analyse fournit des informations précieuses aux praticiens, les aidant à prendre des décisions éclairées concernant la sélection de modèles afin d’obtenir une pré- cision et une efficacité de prévision optimales pour des applications spécifiques. L’objectif principal est d’améliorer un modèle TSMixer : une architecture entièrement MLP pour la prévision de séries chronologiques, qui exploite des architectures de réseaux neuronaux avancées pour améliorer les performances prédictives. Nous avons implémenté 5 versions différentes de modifications de notre modèle, y compris le CNN. Cette recherche fournit des informations cruciales sur l’optimisation des modèles d’apprentissage profond pour la prévision de séries chronologiques. Le modèle TSMixer amélioré fait progresser consid- érablement la prévision de séries chronologiques multivariées, établissant ainsi une base solide pour les innovations futures.

Publié dans la revue: