DPWMixer: Wavelet-basierter Dual-Path-Mixer revolutioniert Langzeit-Vorhersagen

Die Vorhersage von Zeitreihen über lange Zeiträume ist ein zentrales Problem in der rechnergestützten Intelligenz. Traditionelle Transformer‑Modelle können zwar weitreichende Abhängigkeiten erfassen, stoßen jedoch bei großen Datenmengen an ihre Grenzen, weil sie quadratische Komplexität aufweisen und bei sparsamen Daten leicht überanpassen. Lineare Modelle hingegen sind zwar effizient, aber nicht in der Lage, komplexe nichtlineare lokale Dynamiken abzubilden.

Der neue Ansatz DPWMixer kombiniert die Stärken beider Welten. Durch die Verwendung einer verlustfreien Haar‑Wavelet‑Pyramide ersetzt er herkömmliches Pooling und trennt Trends sowie lokale Schwankungen orthogonal, ohne Informationen zu verlieren. Auf diese beiden Pfade wirkt ein Dual‑Path Trend Mixer, der eine globale lineare Abbildung für die Makro‑Trend‑Ankerung mit einem flexiblen patch‑basierten MLP‑Mixer für die Mikro‑Dynamik kombiniert.

Ein adaptives Multi‑Scale‑Fusion‑Modul integriert die Vorhersagen aus verschiedenen Skalen, wobei die Gewichtung anhand der Kanalstationarität erfolgt, um die Synthese zu optimieren. Umfangreiche Tests auf acht öffentlichen Benchmarks zeigen, dass DPWMixer die führenden Baselines konsistent übertrifft. Der Code ist öffentlich verfügbar unter https://github.com/hit636/DPWMixer.