时间证据融合网络：长期时间序列预测中的多源视角

《IEEE Transactions on Pattern Analysis and Machine Intelligence》：Time Evidence Fusion Network: Multi-Source View in Long-Term Time Series Forecasting

时间序列预测模型需兼顾精度与效率，本研究提出基于信息融合的TEFN架构。通过证据理论构建的BPA模块，从通道和时间双维度捕捉多源数据不确定性，创新性设计多源信息融合机制，在保证预测精度的同时显著降低计算复杂度。实验表明TEFN在多种基准数据集上达到SOTA水平，训练时间减少40%，参数量压缩60%，且具有跨参数选择的鲁棒性和基于模糊理论的模型可解释性。

　　

摘要：

在实际应用中，时间序列预测不仅需要准确性，还需要高效性。因此，模型架构的研究始终是一个热门话题。为了解决这些挑战，我们从信息融合的角度提出了一种新的骨干架构——时间证据融合网络（Time Evidence Fusion Network，简称TEFN）。具体来说，我们引入了基于证据论的基本概率分配（Basic Probability Assignment，简称BPA）模块，以捕捉来自通道和时间维度的多变量时间序列数据的不确定性。此外，我们开发了一种新的多源信息融合方法，有效整合了BPA输出中的两个不同维度，从而提高了预测准确性。最后，我们进行了大量实验，证明了TEFN在保持较低复杂度和减少训练时间的同时，能够达到与现有技术相当的性能。实验还显示，TEFN具有很高的鲁棒性，在超参数选择过程中误差波动很小。由于BPA基于模糊理论，TEFN具有很高的可解释性。因此，所提出的TEFN在准确性、效率、稳定性和可解释性方面取得了平衡，使其成为时间序列预测的理想解决方案。

引言

各种现象的发展与时间的流逝密切相关，这导致时间序列数据在许多应用领域中的使用越来越普遍[1]，例如医学诊断[2]、[3]、[4]、教育[5]、天气[6]、[7]、电力系统[8]等[9]、[10]、[11]。时间序列预测的重要性不容忽视。有许多时间序列预测方法。最初的方法来自统计学，如自回归积分滑动平均（Autoregressive Integrated Moving Average，简称ARIMA）模型[12]。深度学习是一种强大的方法，在多个学科中都有广泛应用[13]、[14]。近年来，基于神经网络的时间序列预测模型成为研究热点。这些神经网络从最简单的深度神经网络（Deep Neural Network，简称DNN）[15]发展而来。到目前为止，已经有许多可用于时间序列的骨干网络，如循环神经网络（Recurrent Neural Network，简称RNN）[16]、长短期记忆网络（Long Short-Term Memory，简称LSTM）[17]、Transformer[18]、[19]、[20]等[22]、[23]。大型语言模型（Large Language Model，简称LLM）在跨数据集预测任务中也表现良好[24]、[25]、[26]。