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

在实际应用场景中，时间序列预测需要及时性，特别是在处理大数据集时。因此，探索模型架构仍然是研究中永恒的热门话题。为了满足这些性能要求，我们从信息融合的角度提出了一种新的骨干网络。引入基本概率分配（BPA）模块和基于证据理论的时间证据融合网络（TEFN），使我们能够实现更优越的性能。另一方面，多源信息融合的视角有效提高了预测的准确性。由于BPA是由模糊理论生成的，因此TEFN也具有相当的可解释性。在真实数据实验中，TEFN部分实现了最先进水平，具有与PatchTST相当的低误差，且操作效率超过Dlinear等性能模型。同时，TEFN具有很高的鲁棒性和小的误差波动，在随机超参数选择中表现出色。TEFN不是一个在单个方面达到极致的模型，而是一个平衡性能、准确性、稳定性和可解释性的模型。

提高时间序列预测的准确性和效率

引入基于证据理论的BPA模块和TEFN网络，从信息融合的角度提高预测准确性和效率

论文提出的TEFN在实验中取得了与PatchTST相当的低误差和比Dlinear更高的操作效率，具有高鲁棒性和小误差波动，同时具有可解释性。

与本文相关的研究包括PatchTST和Dlinear等模型，还有基于证据理论的其他研究，如Evidence Theory-based Multi-source Information Fusion等。