Прогнозирование нерегулярных многомерных временных рядов

Прогнозирование нерегулярных многомерных временных рядов является сложной задачей, поскольку традиционные модели испытывают трудности с обработкой нерегулярных временных интервалов и взаимосвязей между различными переменными. Для решения этих проблем представлена новая архитектура, которая изучает рекурсивные представления многомасштабных данных.

Модель использует рекурсивный механизм для захвата временной зависимости на разных масштабах. Это позволяет ей изучать и использовать информацию из как краткосрочных, так и долгосрочных тенденций. Модель также использует механизм внимания, чтобы динамически взвешивать важность различных переменных во времени.

Для улучшения способности модели обрабатывать нерегулярные временные ряды предложен подход к встраиванию временных интервалов. Этот подход преобразует временные интервалы в векторные представления, которые затем используются моделью в качестве дополнительного входного сигнала.

Эксперименты на нескольких наборах данных показали, что предложенная модель превосходит существующие модели прогнозирования временных рядов. В частности, модель показала хорошие результаты в прогнозировании нерегулярных данных, где другие модели часто терпят неудачу. Результаты показывают эффективность рекурсивного механизма, механизма внимания и подхода к встраиванию временных интервалов.

Авторы подчеркивают потенциал использования этой архитектуры в различных областях, включая финансовое прогнозирование, прогнозирование спроса и мониторинг состояния оборудования. Дальнейшие исследования могут быть направлены на изучение других архитектур и методов обучения, которые могут улучшить производительность модели.