StateFlow: новая рекуррентная модель для точного долгосрочного прогнозирования временных рядов
Долгосрочное многомерное прогнозирование временных рядов (LTSF) остаётся сложной задачей из-за нестационарности, смены режимов и накопления ошибок. Для решения этих проблем группа исследователей разработала StateFlow — рекуррентную модель, основанную на расширении ранее предложенной архитектуры VARNN (Variability-Aware Recursive Neural Network).
VARNN изначально предназначалась для одношаговой регрессии и отслеживала изменчивость через состояние остаточной памяти, управляемое ошибками предсказания. В новой работе авторы адаптировали VARNN для многошагового прогнозирования, создав двухсостоятельную рекуррентную основу StateFlow.
Модель поддерживает две комплементарные последовательности, извлекаемые из ретроспективного окна. Первая — траектория скрытых состояний, отражающая первичную временную динамику: тренды, сезонность, изменения уровней и повторяющиеся паттерны. Вторая — траектория остаточной памяти, фиксирующая структурированные локальные отклонения предсказаний, возникающие при нелинейном рекуррентном преобразовании ошибок между одношаговыми базовыми прогнозами и реальными значениями.
Для многошагового прогнозирования используется декодер на основе блоков (chunk-based decoder), который отдельно обрабатывает эти траектории и проецирует их на будущий горизонт. Кроме того, применяется двухэтапная оптимизация: сначала обучается кодировщик VARNN на задаче одношагового базового прогнозирования, а затем — декодер для прямой многошаговой выдачи.
Эксперименты на стандартных эталонных наборах данных показали, что StateFlow достигает конкурентоспособной производительности по сравнению с сильными линейными, рекуррентными, свёрточными и трансформерными базовыми моделями, сохраняя при этом линейное рекуррентное кодирование и компактный дизайн.
Таким образом, StateFlow предлагает эффективный подход к долгосрочному прогнозированию, сочетая точность и вычислительную эффективность. Работа доступна в архиве препринтов arXiv.
