Предобученная многошкальная RWKV-GCN для прогнозирования многомерных временных рядов

Почему важны более точные прогнозы

От предсказания пробок в часы пик до балансировки энергосети — многие современные системы зависят от способности смотреть в будущее. Эти системы собирают потоки измерений из множества источников одновременно — температуры, дорожные датчики, электросчетчики, валютные курсы и прочее. Делать точные прогнозы на основе этой запутанной совокупности сигналов сложно: каждая серия меняется во времени, да и серии взаимно влияют друг на друга. В этой статье предложен новый метод прогнозирования, называемый PMSRWKV-GCN, который разработан для распутывания этих взаимосвязей, чтобы вычислительные модели могли давать более точные и стабильные предсказания о будущем.

Множество сигналов, множество скрытых закономерностей

В реальных задачах прогнозисты редко имеют дело с одной кривой. Транспортная сеть города, энергетическая система или мировые валютные рынки генерируют одновременно множество временных рядов. Чтобы предсказать, что произойдет дальше, модель должна понять, как каждый отдельный сигнал развивается во времени и как разные сигналы влияют друг на друга. Классические статистические методы хорошо работают по отдельной серии, но испытывают трудности, когда десятки или сотни рядов переплетены между собой. Новые модели глубокого обучения, такие как рекуррентные сети и трансформеры, улучшили ситуацию, но часто требуют больших вычислительных ресурсов и могут запутываться при работе с длинной историей и шумными связями между сигналами.

Найти ритмы прежде чем учить связи

Авторы утверждают, что одна из ключевых трудностей — это выбор времени: если модель пытается учить взаимосвязи между рядами слишком рано, слабые или случайные связи могут заглушить подлинные ритмы, скрытые в каждом сигнале. Их решение — разделить задачу на два этапа. Сначала метод концентрируется на выявлении чистых временных закономерностей внутри каждого отдельного ряда. Для этого применяется быстрый математический инструмент (быстрое преобразование Фурье), который выявляет доминирующие циклы — суточные, недельные или сезонные ритмы — в данных. Под руководством этих циклов переработанный компонент «смешивания по времени» рассматривает каждый ряд одновременно на нескольких временных шкалах, от коротких колебаний до длинных волн. На этапе предобучения каждый канал обрабатывается независимо, чтобы межсерийные помехи не вносили шум.

Дать сети выучить карту влияний

Когда модель выучивает надежные временные закономерности для каждого ряда, она переходит ко второму этапу, где наконец вводятся взаимодействия между рядами. Здесь метод трактует совокупность сигналов как сеть: каждый ряд — это узел, а связи отражают, насколько сильно один ряд влияет на другой. Вместо предположения фиксированной карты связей модель обучает эту карту непосредственно по данным с помощью графовой нейронной сети. Важный момент — это многомасштабность: обучение проводится на нескольких временных шкалах, соответствующих ранее обнаруженным циклам. Для каждой шкалы сеть уточняет как признаки узлов, так и структуру связей, затем объединяет их с весами, выведенными из силы соответствующих циклов. Такая многошкальная графовая архитектура позволяет модели выделять наиболее информативные отношения и подавлять более слабые, менее полезные.

Тестирование метода в реальных условиях

Исследователи оценили PMSRWKV-GCN на восьми публичных наборах данных, отражающих практические задачи прогнозирования: потребление электроэнергии сотнями клиентов, дорожный трафик в Калифорнии, метеорологические измерения, температуры трансформаторов и валютные курсы между крупными экономиками. Для различных горизонтов прогнозирования — от ближайших шагов до дальних предсказаний — новая модель как правило давала меньшие ошибки по сравнению с несколькими сильными базовыми методами, включая подходы на базе трансформеров и другие графовые методы. Анализ абляции показал, что оба этапа важны: удаление многошкального смешивания по времени ослабляло у модели чувство временной структуры, тогда как удаление многошкального графа значительно ухудшало результаты на наборах данных с сильными взаимодействиями между рядами. Предобучение временного модуля отдельно дополнительно улучшало точность и стабильность на несколько процентов на разных наборах данных.

Что это значит для повседневного прогнозирования

Для неспециалиста ключевая мысль такова: авторы создали систему прогнозирования, которая разделяет «что обычно делает каждый сигнал» и «как сигналы влияют друг на друга», а затем аккуратно воссоединяет эти представления. Сначала изучая чистые ритмы для каждого ряда и лишь затем обучая гибкую сеть влияний, PMSRWKV-GCN избегает заблуждений, вызванных шумными или слабо связанными данными. В результате получается модель, которая надежнее отслеживает резкие изменения и сложные циклы в областях вроде энергетики, транспорта, погоды и финансов. Этот поэтапный многошкальный подход задает образец для будущих инструментов прогнозирования, которые будут точнее и устойчивее при работе с неидеальными данными реального мира.

Цитирование: Hao, J., Liu, F. & Zhang, W. Pre-trained multi-scale RWKV-GCN for multivariate time series forecasting. Sci Rep 16, 10250 (2026). https://doi.org/10.1038/s41598-026-41091-4

Ключевые слова: прогнозирование временных рядов, многомерные данные, глубокое обучение, графовые нейронные сети, временные закономерности