SEED: Neue Methode nutzt Spektrale Entropie zur Optimierung Zeitreihenprognosen

Ein neues Forschungsprojekt namens SEED (Spectral Entropy‑Guided Evaluation) hat die Art und Weise, wie multivariate Zeitreihen prognostiziert werden, grundlegend verändert. Durch die gezielte Analyse von spektraler Entropie werden komplexe räumlich‑zeitliche Abhängigkeiten zwischen Variablen präziser modelliert, was die Vorhersagegenauigkeit deutlich steigert.

Traditionelle Attention‑ und Graph‑basierte Ansätze stoßen häufig an drei Grenzen: sie stören starke zeitliche Selbstabhängigkeiten mit irrelevanten Variablen, ignorieren negative Korrelationen durch Softmax‑Normalisierung und lassen Variablen ihre eigenen zeitlichen Positionen kaum erkennen. SEED begegnet diesen Problemen mit einer Reihe innovativer Komponenten.

Der Dependency Evaluator nutzt spektrale Entropie, um die Abhängigkeiten jeder Variable zunächst zu bewerten und so ein dynamisches Gleichgewicht zwischen Kanal‑Unabhängigkeit (CI) und Kanal‑Abhängigkeit (CD) herzustellen. Anschließend verfeinert der Spectral Entropy‑based Fuser die Gewichtungen, indem er zeitliche Regularitäten, die von anderen Variablen herrühren, trennt. Mit dem Signed Graph Constructor werden negative Korrelationen durch signierte Kantengewichte erhalten, während der Context Spatial Extractor lokale Kontextfenster einsetzt, um räumliche Merkmale zu extrahieren und die Wahrnehmung der zeitlichen Position zu verbessern.

Umfangreiche Tests auf zwölf realen Datensätzen aus unterschiedlichen Branchen zeigen, dass SEED die Prognoseleistung signifikant übertrifft. Die Kombination aus spektraler Entropie, dynamischer Abhängigkeitsbewertung und signierten Graphen eröffnet neue Perspektiven für die Analyse komplexer Zeitreihen.