Eine Studie zur Anwendbarkeit der Kolmogorov–Arnold-Netzwerkarchitektur für die Zeitreihenvorhersage

Die kürzlich vorgeschlagene Kolmogorov–Arnold-Netzwerkarchitektur (KAN) erweist sich als vielversprechende Alternative zu traditionellen neuronalen Netzwerken, die auf dem Multilayer Perceptron (MLP) basieren. Durch die Nutzung des Kolmogorov–Arnold-Darstellungssatzes stellt KAN mehrdimensionale Funktionen als Kombinationen aus univariaten Funktionen dar und bietet damit potenziell höhere Genauigkeit und Modellinterpretierbarkeit durch seine intrinsisch einfachere Struktur. Dieses Papier untersucht die Anwendbarkeit von KAN zur Zeitreihenvorhersage unter Verwendung des bekannten Datensatzes zum stündlichen Stromverbrauch als Benchmark. Meteorologische Beobachtungsdaten werden als zusätzliches Testfeld ausgewählt. Eine vergleichende Analyse zwischen KAN-Netzwerken und traditionellen MLPs sowie Implementierungen rekursiver Architekturen basierend auf KAN (TKAN-Varianten) im Vergleich zu etablierten Designs wie Long Short-Term Memory (LSTM) und Gated Recurrent Units (GRU) wird durchgeführt. Experimentelle Ergebnisse zeigen die Überlegenheit der KAN-Architektur gegenüber MLPs bei temporalen Vorhersageaufgaben. Die vorgeschlagene rekursive Architektur, TKAN1, erreicht den höchsten Bestimmtheitsmaß (R2 = 0,3483) unter den TKAN-Varianten mit einem Root Mean Squared Error (RMSE) von 0,1010 in der Vorhersage des Energiebedarfs.