时间证据融合网络：长期时间序列预测中的多源视图
机器学习
2025-08-13 v4 人工智能
神经与进化计算
摘要
在实际场景中，时间序列预测不仅需要准确性，还需要高效性。因此，对模型架构的探索一直是研究中长期热门的话题。为了应对这些挑战，我们从信息融合的角度提出了一种名为时间证据融合网络（TEFN）的新型骨干架构。具体而言，我们引入了基于证据理论的基本概率分配（BPA）模块，从通道和时间两个维度捕捉多变量时间序列数据的不确定性。此外，我们开发了一种新颖的多源信息融合方法，以有效整合来自 BPA 输出的两个不同维度，从而提高预测精度。最后，我们进行了大量实验，证明 TEFN 在保持显著更低的复杂度和更短的训练时间的同时，实现了与 SOTA 方法相当的性能。同时，我们的实验表明 TEFN 表现出高度的鲁棒性，在超参数选择期间误差波动极小。此外，由于 BPA 源自模糊理论，TEFN 具有高度的可解释性。因此，所提出的 TEFN 平衡了准确性、效率、稳定性和可解释性，使其成为时间序列预测的理想解决方案。
引用
@article{arxiv.2405.06419,
title = {Time Evidence Fusion Network: Multi-source View in Long-Term Time Series Forecasting},
author = {Tianxiang Zhan and Yuanpeng He and Yong Deng and Zhen Li and Wenjie Du and Qingsong Wen},
journal= {arXiv preprint arXiv:2405.06419},
year = {2025}
}
备注
Accepted by IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2025