Исследователи предлагают GatedLinear, легковесную архитектуру, которая устраняет ограничения моделей глубокого обучения с одним механизмом, рассматривая прогнозирование временных рядов как адаптивную маршрутизацию комплементарных линейных баз. Система использует пул из трех специализированных механизмов: глобальную базу тренда-сезонности, инкрементальную базу на основе разностей для нестационарного дрейфа и базу фазосогласованной рекуррентности для циклического повторного использования.
- Трёхфакторизованный слияющий гейт разделяет решения о маршрутизации на канально-специфичные предпочтения, смещения, учитывающие горизонт прогнозирования, и фазово-индексированные смещения, полученные из известных будущих временных меток.
- Архитектура обеспечивает высокодетализированную точечную мягкую маршрутизацию между различными режимами прогнозирования без наложения вычислительно тяжелых нейронных модулей.
- Эксперименты на стандартных бенчмарках показывают, что метод достигает состояния-of-the-art или высокой конкурентоспособной точности по сравнению с недавними сложными фундаментальными моделями.
Подход предлагает явно интерпретируемые паттерны маршрутизации при работе с существенно меньшим количеством параметров.