TimeSieve: Extraindo Dinâmicas Temporais através de Gargalos de Informação

A previsão de séries temporais tornou-se uma área de pesquisa cada vez mais popular devido às suas aplicações críticas em vários domínios do mundo real, como gestão de tráfego, previsão do tempo e análise financeira. Apesar dos avanços significativos, os modelos existentes enfrentam desafios notáveis, incluindo a necessidade de ajuste manual de hiperparâmetros para diferentes conjuntos de dados e a dificuldade em distinguir efetivamente o sinal de características redundantes em dados caracterizados por forte sazonalidade. Essas questões dificultam a generalização e a aplicação prática dos modelos de previsão de séries temporais. Para resolver esses problemas, propomos um modelo inovador de previsão de séries temporais, o TimeSieve, projetado para enfrentar esses desafios. Nossa abordagem utiliza transformadas wavelet para pré-processar os dados de séries temporais, capturando efetivamente características multiescalares sem a necessidade de parâmetros adicionais ou ajuste manual de hiperparâmetros. Além disso, introduzimos a teoria do gargalo de informação que filtra características redundantes tanto de coeficientes de detalhe quanto de aproximação, retendo apenas as informações mais preditivas. Essa combinação reduz significativamente e melhora a precisão do modelo. Experimentos extensivos demonstram que nosso modelo supera métodos existentes de última geração em 70% dos conjuntos de dados, alcançando maior precisão preditiva e melhor generalização em diversos conjuntos de dados. Nossos resultados validam a eficácia de nossa abordagem em abordar os principais desafios na previsão de séries temporais, abrindo caminho para modelos preditivos mais confiáveis e eficientes em aplicações práticas. O código para nosso modelo está disponível em https://github.com/xll0328/TimeSieve.