Time Evidence Fusion Network: Multi-source View in Long-Term Time Series Forecasting

在实际场景中，时间序列预测不仅需要准确性，还需要效率。因此，模型架构的探索始终是研究中永恒的热门话题。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，称为时间证据融合网络（TEFN）。具体来说，我们引入了基于证据理论的基本概率分配（BPA）模块，以捕获多元时间序列数据在通道和时间维度上的不确定性。此外，我们开发了一种新的多源信息融合方法，以有效地集成BPA输出的两个不同维度，从而提高了预测准确性。最后，我们进行了大量实验，证明TEFN在保持显著较低的复杂度和减少训练时间的同时，实现了与最先进方法可比的性能。此外，我们的实验表明，TEFN具有高度的稳健性，在超参数选择过程中误差波动最小。此外，由于BPA源自模糊理论，TEFN具有很高的可解释性。因此，所提出的TEFN平衡了准确性、效率、稳定性和可解释性，使其成为时间序列预测的理想解决方案。

论文旨在探索时间序列预测中的模型架构，既要保证准确性，又要提高效率。

从信息融合的角度提出了一种名为TEFN的新型骨干架构，利用基本概率分配模块（BPA）捕捉多变量时间序列数据的不确定性，并开发了一种多源信息融合方法，以有效地整合BPA输出的两个不同维度，从而提高了预测精度。

TEFN具有与最先进方法可比的性能，同时具有较低的复杂性和较短的训练时间。BPA导出自模糊理论，因此TEFN具有高度的可解释性。

最近的相关研究包括：《A Deep Learning Framework for Financial Time Series Using Stacked Autoencoders and Long-Short Term Memory》、《Multivariate Time Series Forecasting with Deep Learning: A Comparative Review》等。