Wavelet-verbesserter Transformer für adaptive Mehrperioden-Zeitreihenprognosen

Die Zeitreihenanalyse ist in zahlreichen Anwendungen von entscheidender Bedeutung, darunter Wettervorhersage, Anomalieerkennung und Aktionsidentifikation. Für eine genaue Zeitreihenprognose ist die Modellierung komplexer zeitlicher Abhängigkeiten, insbesondere multiskaliger periodischer Muster, erforderlich. Um diese Herausforderung zu meistern, schlagen wir einen neuartigen Wavelet-verbesserten Transformer (Wave-Net) vor. Wave-Net transformiert eindimensionale Zeitreihendaten in zweidimensionale Matrizen basierend auf Periodizität und verbessert so die Erfassung zeitlicher Muster durch Faltungsschichten. Dieses Paper stellt Wave-Net vor, ein Modell, das Wavelet- und Fourier-Transformationen zur Merkmalsextraktion integriert, ergänzt durch einen verbesserten Zyklusoffset und ein optimiertes dynamisches K für erhöhte Robustheit. Die Transformer-Schicht wird weiter verfeinert, um die Fähigkeiten zur Langzeitmodellierung zu stärken. Auswertungen an realen Benchmarks zeigen, dass Wave-Net durchgängig erstklassige Leistungen in den gängigen Zeitreihenanalyseaufgaben erzielt.