Vai al contenuto
AI.info

Ricerca

Paloma: modulazione dei residui condizionata dalla fase per la previsione delle serie temporali

Modellare esplicitamente la periodicità si è dimostrato un approccio efficiente per la previsione delle serie temporali. Il residuo ottenuto rimuovendo la componente periodica dalla serie temporale vi

Paloma: modulazione dei residui condizionata dalla fase per la previsione delle serie temporali
arXiv
2610.25392
Pubblicato
2026-10-18
Autori
Jingru Fei, Wei Fan, Kun Yi, Qi Zhang, Zhendong Niu

Abstract degli autori

Modellare esplicitamente la periodicità si è dimostrato un approccio efficiente per la previsione delle serie temporali. Il residuo ottenuto rimuovendo la componente periodica dalla serie temporale viene però generalmente trattato come rumore privo di struttura. In questo lavoro mostriamo che tali residui presentano ancora deviazioni strutturate, \textit{phase-dependent}, come indicano sia le osservazioni empiriche sia l’analisi teorica. Ciò suggerisce di non trattare i residui soltanto come rumore privo di struttura, ma come \textit{phase-conditioned signals} le cui variazioni riguardano sia la direzione sia l’ampiezza. Partendo da questa prospettiva e ispirandoci alla modulazione di fase e di ampiezza nell’elaborazione classica dei segnali, proponiamo \textit{Paloma}, un framework semplice ma efficace per modellare le deviazioni dei residui. Nello specifico, Paloma comprende due moduli complementari: \textit{a Phase Rotation module}, che esegue rotazioni condizionate dalla fase per cogliere i cambiamenti di direzione nello spazio delle caratteristiche, e \textit{an Amplitude Scaling module}, che applica trasformazioni affini condizionate dalla fase per modellare le variazioni di ampiezza. Ast traiamo inoltre i due moduli in un componente integrabile di uso generale, denominato \textit{Paloma technique}, che può essere facilmente incorporato nelle architetture di previsione esistenti per modulare le sequenze di input tenendo conto della fase. Questo consente ai modelli di base di cogliere le variazioni dipendenti dalla fase sia nella direzione sia nell’ampiezza. Ampi esperimenti condotti su dodici dataset dimostrano che Paloma offre prestazioni di previsione robuste e all’avanguardia. Ulteriori risultati mostrano che la Paloma technique migliora costantemente un’ampia gamma di modelli di riferimento, confermandone l’efficacia come componente di uso generale. Il nostro codice è disponibile all’indirizzo \url{https://github.com/TSTS13/Paloma}.

Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.

Leggi il paper originale su arXiv