Dans cet article, nous proposons NeuTSFlow, un nouveau cadre qui réinterprète les séries temporelles comme un échantillon bruité de processus continus, afin de surmonter les limites des méthodes de prévision de séries temporelles existantes qui traitent les données comme des séquences discrètes. Partant du principe que les observations discrètes bruitées ne peuvent déterminer de manière unique des fonctions continues, nous considérons les séries temporelles comme des observations bruitées d'un ensemble de fonctions continues régies par une mesure de probabilité commune. Par conséquent, la tâche de prévision est définie comme l'apprentissage de la transition d'un ensemble de fonctions passées à un ensemble de fonctions futures. À cette fin, nous présentons NeuTSFlow, qui apprend la correspondance de flux des mesures entre les ensembles de fonctions passées et futures en utilisant des opérateurs neuronaux. En paramétrant le champ de vitesse du flux dans un espace de fonctions de dimension infinie, nous modélisons directement les caractéristiques au niveau de la fonction, allant au-delà des méthodes existantes qui se concentrent sur les dépendances en points discrets. Nous vérifions l'excellente précision et la robustesse de NeuTSFlow par des expérimentations sur diverses tâches de prévision.
