Effiziente multivariate Zeitreihenprognose mit SC-TWRNet: Kombination adaptiver Multi-Resolution-Wavelet-Filterung und parallelisierbarer Dekomposition

Langfristige multivariate Zeitreihenprognosen dienen als grundlegendes Analysewerkzeug in verschiedenen Bereichen wie Energiemanagement, Verkehrsanalysen und Meteorologie. Konventionelle Modellierungsparadigmen liefern jedoch oft suboptimale Ergebnisse, da sie Nicht-Stationarität und multiskalige zeitliche Korrelationen nicht ausreichend erfassen. Während Methoden im Frequenzbereich theoretische Klarheit bieten, basieren repräsentative effiziente spektralbereichsbasierte Architekturen häufig auf magnitudenbasierter spektraler Kürzung zur Sicherstellung der Effizienz, was unbeabsichtigt hochfrequente transiente Signale entfernt, die für die Nicht-Stationaritätsprognose essenziell sind. Um diese Einschränkungen zu adressieren, schlagen wir das Structural Component-based Temporal Wavelet-Refine Network (SC-TWRNet) vor, ein Rahmenwerk, das adaptive Wavelet-Filterung mit expliziter struktureller zeitlicher Dekomposition kombiniert. Die Architektur wird durch den Adaptive Multi-Resolution Wavelet (AMRW) Filter verankert, der darauf ausgelegt ist, Zeit-Frequenz-Darstellungen bei linearer Rechenkomplexität zu erzeugen. Gleichzeitig entkoppelt ein Modul zur strukturellen zeitlichen Dekomposition den Eingabestrom in separate Trend-, saisonale und Residualkomponenten für gezielte Modellierung. Umfangreiche Experimente an acht Standarddatensätzen zeigen, dass SC-TWRNet eine überlegene Vorhersagegenauigkeit gegenüber modernen Referenzmethoden erreicht und dabei lineare Rechenkomplexität für effiziente Modellierung in hochdimensionalen Kontexten beibehält.