Neues Hybrid-Graph-Netzwerk verbessert Zeitreihenprognosen um 13,8 %

Ein neues Modell namens Hybrid Symmetric Positive-Definite Manifold Graph Neural Network (HSMGNN) setzt neue Maßstäbe bei der Vorhersage mehrdimensionaler Zeitreihen. Durch die Kombination von euklidischen und riemannischen geometrischen Darstellungen kann HSMGNN komplexe räumlich‑zeitliche Abhängigkeiten besser erfassen als bisherige Ansätze.

Das System nutzt eine Submanifold‑Cross‑Segment‑Einbettung, um die Eingabedaten gleichzeitig in beiden geometrischen Räumen abzubilden. Um die Rechenkosten für riemannische Distanzen zu reduzieren, wird ein adaptives Distanzbank‑Layer mit trainierbarem Speichermechanismus eingesetzt. Schließlich integriert ein Fusion Graph Convolutional Network die Informationen aus beiden Domänen über einen lernbaren Fusionsoperator, was die Genauigkeit der Vorhersagen weiter steigert.

In Tests auf drei Standard‑Datensätzen konnte HSMGNN die Genauigkeit der Zeitreihenprognosen um bis zu 13,8 % gegenüber den führenden Modellen verbessern. Diese Fortschritte eröffnen neue Möglichkeiten für Anwendungen wie Verkehrssteuerung und vorausschauende Wartung, bei denen präzise Vorhersagen entscheidend sind.