Önceden eğitilmiş çok ölçekli RWKV-GCN ile çok değişkenli zaman serisi tahmini

Neden daha akıllı tahminler önemli?

Sızan saat trafik tahmininden elektrik şebekesinin dengelenmesine kadar birçok modern sistem geleceğe bakmaya dayanır. Bu sistemler aynı anda birçok kaynaktan ölçüm akışları toplar—sıcaklıklar, yol sensörleri, elektrik sayaçları, döviz kurları ve daha fazlası. Bu karmaşık sinyal ağından doğru tahminler yapmak zordur: her bir seri zaman içinde değişir ve seriler birbirini de etkiler. Bu makale, bu ilişkileri çözmeyi amaçlayan ve bilgisayarların gelecekle ilgili daha doğru ve daha kararlı tahminler yapmasını sağlayan PMSRWKV-GCN adlı yeni bir tahmin yöntemini tanıtıyor.

Birçok sinyal, birçok gizli desen

Gerçek uygulamalarda, tahminciler nadiren tek bir eğriyle uğraşır. Bir şehrin trafik ağı, bir enerji sistemi veya dünya döviz piyasaları aynı anda birçok zaman serisi üretir. Sonrasında ne olacağını tahmin etmek için bir modelin her bir sinyalin zaman içindeki evrimini ve farklı sinyallerin birbirini nasıl etkilediğini anlaması gerekir. Klasik istatistiksel araçlar tek bir seri için iyi çalışırken düzinelerce veya yüzlerce seri iç içe geçtiğinde zorlanır. Tekrarlayan ağlar ve Transformer’lar gibi daha yeni derin öğrenme modelleri durumu iyileştirmiş olsa da genellikle ağır hesaplama gerektirir ve uzun geçmişler ile sinyaller arasındaki gürültülü ilişkiler tarafından yanıltılabilirler.

Bağlantıları öğrenmeden önce ritimleri bulmak

Yazarlar, temel zorluğun zamanlama olduğunda ısrar ediyor: bir model seriler arasındaki ilişkileri çok erken öğrenmeye çalışırsa, zayıf veya yanlış bağlantılar her bir sinyaldeki gerçek ritimleri boğabilir. Çözüm, görevi iki aşamaya bölmektir. İlk olarak, yöntem her bir bireysel serideki temiz zamansal desenleri ortaya çıkarmaya odaklanır. Bunu, verideki baskın döngüleri—günlük, haftalık veya mevsimsel ritimleri—açığa çıkaran hızlı bir matematiksel araç (Hızlı Fourier Dönüşümü) uygulayarak yapar. Bu döngülerle yönlendirilmiş yeniden tasarlanmış bir "zaman-karıştırma" bileşeni, kısa dalgalardan uzun dalgalara kadar aynı anda birkaç zaman ölçeğinde her seriye bakar. Bu ön eğitim aşamasında her kanal bağımsız olarak ele alınır, böylece seriler arasındaki karşılıklı konuşma gürültü ekleyemez.

Ağın etki haritasını öğrenmesine izin vermek

Model her serinin güvenilir zamansal desenlerini öğrendikten sonra, seriler arasındaki ilişkilerin nihayet tanıtıldığı ikinci aşamaya geçer. Burada yöntem sinyaller topluluğunu bir ağ olarak ele alır: her seri bir düğümdür ve bağlantılar iki serinin birbirini ne kadar güçlü etkilediğini gösterir. Sabit bir bağlantı haritası varsaymak yerine model bu haritayı veriden doğrudan, graf tabanlı bir sinir ağı kullanarak öğrenir. Kritik olarak, bunu daha önce keşfedilen döngülerle eşleşen birden çok zaman ölçeğinde yapar. Her ölçek için ağ hem düğüm özelliklerini hem de bağlantı desenini iyileştirir, ardından bunları temel döngülerin gücünden türetilen ağırlıklarla harmanlar. Bu çok ölçekli grafik tasarımı modele en bilgilendirici ilişkileri vurgulama, daha zayıf ve daha az faydalı olanları geri plana alma imkanı verir.

Yöntemi gerçek dünyada test etmek

Araştırmacılar PMSRWKV-GCN’yi uygulamalı tahmin zorluklarını yansıtan sekiz açık veri kümesinde değerlendirdi: yüzlerce müşterinin elektrik talebi, California otoyollarındaki trafik, hava ölçümleri, güç trafosu sıcaklıkları ve büyük ekonomiler arasındaki döviz kurları. Birkaç adım sonrası kısa vadeli tahminlerden uzun menzilli öngörülere kadar uzanan çeşitli tahmin ufuklarında, yeni model tipik olarak Transformer tabanlı ve diğer grafik tabanlı yaklaşımlar da dahil olmak üzere güçlü bazı kıyasların çoğundan daha düşük hatalar üretti. Bir ayrıştırma (ablation) analizi iki aşamanın da önemli olduğunu gösterdi: çok ölçekli zaman-karıştırma kaldırıldığında modelin zamansal yapı algısı zayıfladı, çok ölçekli grafik kaldırıldığında ise seriler arasındaki güçlü etkileşimlerin bulunduğu veri setlerinde performans ciddi şekilde düştü. Zamansal modülün kendi başına ön eğitimi ise veri setleri genelinde doğruluk ve kararlılığı birkaç puan daha artırdı.

Günlük tahminler için bunun anlamı nedir?

Bir uzman olmayan için temel mesaj şudur: yazarlar "her bir sinyalin eğilim gösterdiği şey" ile "sinyallerin birbirini nasıl etkilediği"ni ayıran ve ardından bu içgörüleri dikkatle kontrol edilen bir şekilde yeniden birleştiren bir tahmin sistemi geliştirdiler. Önce her serinin temiz ritimlerini öğrenip ancak daha sonra esnek bir etki ağı öğrenerek PMSRWKV-GCN, gürültülü veya zayıf ilişkili veriler tarafından yanıltılmaktan kaçınır. Sonuç, enerji, ulaşım, hava ve finans gibi alanlarda keskin değişiklikleri ve karmaşık döngüleri daha güvenilir şekilde izleyebilen bir modeldir. Bu aşama aşama ve çok ölçekli yaklaşım, gerçek dünyanın karmaşık verileriyle karşılaşıldığında hem daha doğru hem de daha sağlam gelecek tahmin araçları için bir şablon sunar.

Atıf: 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

Anahtar kelimeler: zaman serisi tahmini, çok değişkenli veri, derin öğrenme, graf sinir ağları, zamansal desenler