DMamba: Neuer SSM-Ansatz übertrifft bestehende Modelle bei Zeitreihenprognosen

Die neueste Forschung im Bereich der Zustandsraummodelle (SSM) präsentiert DMamba, ein innovatives Verfahren, das die Leistungsfähigkeit von Mamba für die Vorhersage von Zeitreihen deutlich steigert. Durch die gezielte Trennung von Trend- und Saisonalität wird die Modellkomplexität exakt an die jeweiligen Datencharakteristika angepasst.

Während Trendkomponenten meist von wenigen gemeinsamen stochastischen Faktoren bestimmt werden und daher auf einem niedrigdimensionalen Raum liegen, erfordern saisonale Muster hochdimensionale, dynamische Interaktionen. DMamba nutzt hierfür einen variablen Richtungs-Mamba-Encoder, der die komplexen, kreuzvariablen Dynamiken im saisonalen Teil erfasst, während ein einfacher Multi-Layer-Perceptron (MLP) die flacheren Trendbeziehungen modelliert.

Umfangreiche Experimente auf einer Vielzahl von Datensätzen zeigen, dass DMamba das aktuelle Stand‑of‑the‑Art (SOTA) übertrifft. Es übertrifft sowohl neuere Mamba‑basierte Architekturen als auch führende Modelle, die auf Decomposition setzen, und liefert damit neue Maßstäbe für die langfristige Zeitreihenprognose.