Previsione LETS: Apprendimento dell'Embedologia per la Previsione di Serie Temporali

LETS Forecast: Learning Embedology for Time Series Forecasting

June 6, 2025

Autori: Abrar Majeedi, Viswanatha Reddy Gajjala, Satya Sai Srinath Namburi GNVV, Nada Magdi Elkordi, Yin Li

cs.AI

Abstract

Le serie temporali del mondo reale sono spesso governate da dinamiche non lineari complesse. Comprendere queste dinamiche sottostanti è cruciale per previsioni future precise. Sebbene il deep learning abbia ottenuto un grande successo nella previsione di serie temporali, molti approcci esistenti non modellano esplicitamente le dinamiche. Per colmare questa lacuna, introduciamo DeepEDM, un framework che integra la modellazione di sistemi dinamici non lineari con le reti neurali profonde. Ispirato dalla modellazione dinamica empirica (EDM) e radicato nel teorema di Takens, DeepEDM presenta un nuovo modello profondo che apprende uno spazio latente da embedding ritardati nel tempo e utilizza la regressione kernel per approssimare le dinamiche sottostanti, sfruttando un'implementazione efficiente dell'attenzione softmax e consentendo previsioni accurate di passi temporali futuri. Per valutare il nostro metodo, conduciamo esperimenti completi su dati sintetici di sistemi dinamici non lineari e su serie temporali reali in vari domini. I nostri risultati dimostrano che DeepEDM è robusto al rumore in ingresso e supera i metodi all'avanguardia in termini di accuratezza di previsione. Il nostro codice è disponibile all'indirizzo: https://abrarmajeedi.github.io/deep_edm.

English

Real-world time series are often governed by complex nonlinear dynamics. Understanding these underlying dynamics is crucial for precise future prediction. While deep learning has achieved major success in time series forecasting, many existing approaches do not explicitly model the dynamics. To bridge this gap, we introduce DeepEDM, a framework that integrates nonlinear dynamical systems modeling with deep neural networks. Inspired by empirical dynamic modeling (EDM) and rooted in Takens' theorem, DeepEDM presents a novel deep model that learns a latent space from time-delayed embeddings, and employs kernel regression to approximate the underlying dynamics, while leveraging efficient implementation of softmax attention and allowing for accurate prediction of future time steps. To evaluate our method, we conduct comprehensive experiments on synthetic data of nonlinear dynamical systems as well as real-world time series across domains. Our results show that DeepEDM is robust to input noise, and outperforms state-of-the-art methods in forecasting accuracy. Our code is available at: https://abrarmajeedi.github.io/deep_edm.