DMamba: Decomposition-enhanced Mamba for Time Series Forecasting

Created by

Haebom

저자

Ruxuan Chen, Fang Sun

💡 개요

본 논문은 시계열 예측에서 Mamba 모델의 비정상성 패턴 처리 능력을 개선하기 위해 DMamba를 제안한다. DMamba는 시계열을 계절 및 추세 성분으로 분해하고, 각 성분의 특성에 맞는 서로 다른 복잡성의 모듈을 적용하여 예측 성능을 높인다. 계절 성분에는 복잡한 상호작용을 포착하는 Mamba 인코더를, 추세 성분에는 저차원 관계 학습에 적합한 MLP를 사용하여 새로운 SOTA 성능을 달성했다.

🔑 시사점 및 한계

•

시계열의 계절 및 추세 성분별 특성에 맞춰 모델 구조의 복잡성을 달리 적용하는 것이 예측 성능 향상에 효과적이다.

•

DMamba는 기존 Mamba 기반 모델 및 분해 기반 모델 대비 뛰어난 성능을 보여, 비정상 시계열 예측 분야의 새로운 표준을 제시한다.

•

제안된 방법론이 더 복잡한 시계열 패턴이나 다양한 유형의 분해 기법에 대해서도 일반화될 수 있는지 추가적인 연구가 필요하다.

PDF 보기

Made with Slashpage