MultiScaleWave: волновая мультишкальная структура для прогнозирования одноименных временных рядов

Почему важно предсказывать закономерности во времени

От цен на акции и выработки солнечной энергии до изменяющейся погоды — большая часть мира развивается как последовательность значений во времени. Умение предвидеть направление этих значений помогает во всём: от управления инвестициями до балансировки электрических сетей. Однако реальные временные ряды сложны: они зашумлены, меняют поведение со временем и сочетают быстрые колебания с медленными трендами. В этой статье представлена MultiScaleWave — новая схема прогнозирования, разработанная для того, чтобы распутать эту сложность и давать более надежные предсказания по единственному потоку исторических данных.

Разбиение сложных сигналов на простые составляющие

Традиционные инструменты прогнозирования часто спотыкаются, потому что пытаются одновременно охватить все аспекты временного ряда. MultiScaleWave следует иному подходу: сначала входной сигнал делится на несколько уровней детализации с помощью математического инструмента — вейвлет‑преобразования. Проще говоря, исходная кривая раскладывается на компоненты, улавливающие быстрые рывки, среднескоростные изменения и очень медленные тренды. Такой многослойный взгляд учитывает, когда происходят события, и при этом естественным образом отфильтровывает часть случайного шума, мешающего обнаружению полезных закономерностей.

Специализированные пути для разных типов изменений

После разделения сигнала на мелкие, средние и грубые слои MultiScaleWave направляет каждый из них по собственному специализированному пути обработки. Путь для тонких деталей фокусируется на быстрых подъемах и падениях, сочетая детекторы краткосрочных шаблонов с похожими на память структурами, способными отслеживать более длинные последовательности. Среднесрочный путь использует цепочку дилатированных свёрток — архитектуру, которая может «видеть» много шагов в прошлое, сохраняя при этом порядок событий. Самый крупный путь обрабатывает медленно меняющийся фоновый тренд проще: компактная сеть полностью связанных слоев улавливает широкие движения без лишних вычислений.

Собирая части обратно в прогноз

После того как три пути извлекли признаки на своих временных масштабах, MultiScaleWave аккуратно сшивает их обратно. Используется обратная операция вейвлет‑преобразования для поэтапного воссоединения обработанных высоко- и низкочастотных компонентов, постепенно восстанавливая сигнал полной длины. Восстановленная серия затем проходит через небольшой предсказательный модуль, который преобразует извлечённые признаки в прогноз следующих значений. Сливая краткосрочные колебания и долгосрочные тренды в такой структурированной форме, схема стремится выдавать предсказания, одновременно чёткие и устойчивые.

Испытание метода на практике

Авторы оценили MultiScaleWave на широком наборе реальных данных, включая ежедневные цены акций по нескольким крупным индексам и компаниям, а также высокочастотные измерения погодных условий и выработки солнечной энергии. Они сравнили его работу с классическими статистическими моделями, распространёнными архитектурами глубокого обучения (такими как свёрточные и рекуррентные сети), а также с более современными методами, которые тоже стремятся разложить временные ряды на компоненты. В почти всех тестах и по большинству метрик ошибок MultiScaleWave показал лучшие результаты, особенно в задачах дальнего прогнозирования и в ситуациях, когда входные данные намеренно искажались искусственным шумом.

Почему мультишкальная схема имеет значение

Чтобы проверить, действительно ли важно разбиение на вейвлеты, исследователи собрали вариант, использующий простое усреднение. Эта версия стабильно работала хуже, особенно на данных с резкими скачками и разворотами, что подчёркивает важность сохранения тонких деталей при декомпозиции. При этом MultiScaleWave остался относительно лёгким и быстрым, использовав гораздо меньше параметров и требуя меньшего времени вычислений по сравнению с некоторыми конкурирующими продвинутыми моделями. Это указывает на то, что продуманное сочетание мультишкальной декомпозиции, масштабно‑чувствительных путей обработки и аккуратного слияния — эффективный способ справиться со сложной природой реальных временных рядов.

Что это означает для повседневного прогнозирования

Для неспециалистов главный вывод таков: лучшие прогнозы получаются, когда учитываются разные ритмы, скрытые в одной линии данных. MultiScaleWave демонстрирует, что сначала разделив быстрые флуктуации, среднесрочные вариации и медленные дрейфы, затем смоделировав каждый из них инструментами, подходящими для их поведения, и наконец аккуратно вновь объединив, можно точнее и надёжнее прогнозировать будущие значения. Эта схема может укрепить принятие решений в финансах, энергетике и мониторинге окружающей среды, и указывает на более общий принцип проектирования: наиболее надёжные прогнозы рождаются, когда модели видят время не как плоскую последовательность, а как полотно переплетённых временных масштабов.

Цитирование: Zheng, C., Zhao, H. MultiScaleWave: a wavelet-based multiscale framework for univariate time series forecasting. Sci Rep 16, 13236 (2026). https://doi.org/10.1038/s41598-026-42317-1

Ключевые слова: прогнозирование временных рядов, вейвлет‑декомпозиция, глубокое обучение, мультишкальное моделирование, унивариантное прогнозирование