DB2-TransF: Lernbare Daubechies-Wellen für effiziente Zeitreihenprognosen

Die Vorhersage von Zeitreihen erfordert Modelle, die komplexe zeitliche Abhängigkeiten zuverlässig erfassen können – besonders in großen, hochdimensionalen Datensätzen. Transformer‑basierte Architekturen sind dafür bekannt, lange Reichweiten abzubilden, doch ihre quadratische Rechenkomplexität limitiert Skalierbarkeit und Flexibilität.

Mit DB2‑TransF wird diese Herausforderung angegangen: anstelle der klassischen Self‑Attention wird ein lernbarer Daubechies‑Wellenkoeffizienten‑Layer eingesetzt. Dieser Wellenmodul erfasst effizient lokale und globale Muster auf mehreren Skalen und verbessert die Modellierung von Korrelationen zwischen mehreren Zeitreihen.

Umfangreiche Tests an 13 Standard‑Benchmark‑Datensätzen zeigen, dass DB2‑TransF die Genauigkeit konventioneller Transformer erreicht oder sogar übertrifft – und das bei deutlich geringerer Speicher‑ und Rechenbelastung. Damit präsentiert sich DB2‑TransF als skalierbare, ressourcenschonende Lösung für fortgeschrittene Zeitreihenprognosen.

Der zugehörige Code ist frei verfügbar unter https://github.com/SteadySurfdom/DB2-TransF.