Комплексный обзор глубокого обучения для прогнозирования временных рядов: архитектурное разнообразие и нерешённые проблемы

Прогнозирование временных рядов представляет собой важную задачу, обеспечивающую ключевую информацию для принятия решений в различных областях, таких как экономическое планирование, управление цепочками поставок и медицинская диагностика. После применения традиционных статистических методов и машинного обучения были разработаны и применены различные базовые архитектуры глубокого обучения, такие как многослойные перцептроны (MLP), сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN) и графовые нейронные сети (GNN), для решения задач прогнозирования временных рядов. Однако структурные ограничения, обусловленные индуктивными смещениями каждой архитектуры глубокого обучения, ограничивали их эффективность. Модели Transformer, превосходно обрабатывающие долгосрочные зависимости, стали важными архитектурными компонентами для прогнозирования временных рядов. Тем не менее недавние исследования показали, что такие альтернативы, как простые линейные слои, могут превосходить модели Transformer. Эти результаты открыли новые возможности для использования разнообразных архитектур — от базовых моделей глубокого обучения до новых архитектур и гибридных подходов. В условиях исследования различных моделей архитектурное моделирование прогнозирования временных рядов вступило в период возрождения. Этот обзор не только рассматривает исторический контекст прогнозирования временных рядов, но и предлагает всесторонний и актуальный анализ перехода к архитектурной диверсификации. Сопоставляя и переосмысливая различные модели глубокого обучения, мы выявляем новые перспективы и представляем последние тенденции в прогнозировании временных рядов, включая появление гибридных моделей, диффузионных моделей, моделей Mamba и фундаментальных моделей. Сосредоточившись на присущих временным рядам характеристиках, мы также рассматриваем нерешённые проблемы, привлекшие внимание в области прогнозирования временных рядов, такие как зависимость между каналами, сдвиг распределения, причинность и извлечение признаков. В обзоре исследуются важнейшие элементы, способные повысить эффективность прогнозирования с помощью разнообразных подходов. Эти результаты способствуют снижению порога входа для новых исследователей, предоставляя систем...