SDGF: Statische und dynamische Korrelationen vereint für Zeitreihenprognosen

In der multivariaten Zeitreihenprognose sind die Beziehungen zwischen den einzelnen Serien entscheidend, doch sie zeigen oft komplexe, sich verändernde Muster über verschiedene Zeitskalen hinweg. Traditionelle Verfahren können diese mehrschichtigen Abhängigkeiten nur begrenzt erfassen, was die Genauigkeit der Vorhersagen beeinträchtigt.

Um diesem Problem zu begegnen, stellt der neue Ansatz „Static‑Dynamic Graph Fusion“ (SDGF) ein innovatives Netzwerk vor, das die Stärken von statischen und dynamischen Graphen kombiniert. Ein statischer Graph, der auf vorhandenen Wissensdaten basiert, sorgt für stabile, langfristige Abhängigkeiten, während ein dynamischer Graph – durch Multi‑Level‑Wavelet‑Decomposition erzeugt – die zeitlich variierenden, mehrschichtigen Zusammenhänge erfasst.

Die beiden Graphen werden über ein aufmerksamkeitsgesteuertes Modul intelligent zusammengeführt, sodass die jeweiligen Stärken optimal genutzt werden. Anschließend vertieft ein Multi‑Kernel‑Dilated‑Convolution‑Netzwerk das Verständnis für die zeitlichen Muster, wodurch die Vorhersagegenauigkeit weiter gesteigert wird.

Umfangreiche Tests an mehreren etablierten, realen Benchmark‑Datensätzen zeigen, dass SDGF die Leistung bestehender Modelle deutlich übertrifft und damit einen bedeutenden Fortschritt in der multivariaten Zeitreihenprognose darstellt.