TriTS: Time Series Forecasting from a Multimodal Perspective

1. Problema e Motivação

A previsão de séries temporais de longo prazo (LTSF) é fundamental em setores críticos como finanças, energia e meteorologia. No entanto, os métodos atuais enfrentam dois gargalos principais:

• Limitações de Representação: Sinais do mundo real possuem dinâmicas temporais altamente emaranhadas (tendências globais, sazonalidade complexa e mutações locais não estacionárias) que são difíceis de capturar apenas a partir de uma perspectiva unidimensional (1D).
• Ineficiência Computacional em Abordagens Visuais: Métodos recentes que transformam séries temporais em "imagens" 2D para utilizar modelos de visão (como Vision Transformers - ViTs) sofrem de complexidade computacional quadrática ($O(N^2)$). Isso torna o processamento de janelas históricas ultra-longas proibitivo em termos de memória e latência.
• Limitações de Transformadas Globais: Métodos baseados em FFT (Transformada Rápida de Fourier) utilizam funções de base globais, falhando em localizar com precisão mutações transitórias e sinais não estacionários.

2. Metodologia: O Framework TriTS

O TriTS propõe um framework inovador de desentrelaçamento cruzado de modalidades, projetando a série temporal 1D original em três espaços ortogonais e complementares: Tempo, Frequência e Visão (2D). O objetivo é processar cada característica do sinal no domínio mais natural para ela.

A. Ramo de Visão (Dominante: Dependências Globais e Texturas)

Para superar o gargalo $O(N^2)$ dos ViTs tradicionais:

• Estratégia de Redimensionamento Consciente do Período (Period-Aware Reshaping): A série 1D é dobrada em uma "imagem temporal" 2D baseada no período dominante, mapeando variações intra-período para texturas de linha e evolução inter-período para estruturas de coluna.
• Visual Mamba (Vim): Em vez de ViTs, o modelo utiliza o Visual Mamba, baseado em Modelos de Espaço de Estado (SSM) bidirecionais. Isso permite capturar dependências globais de textura com complexidade linear ($O(N)$), mantendo a eficiência em sequências longas.

B. Ramo de Frequência (Dominante: Sinais Não Estacionários e Anomalias)

Para superar as limitações da FFT:

• Mistura de Wavelet Multi-Resolução (MR-WM): Substitui a FFT global por uma decomposição de Wavelet Discreta (DWT) multi-nível.
• Desentrelaçamento: O sinal é decomposto em coeficientes de aproximação (tendências de longo prazo) e coeficientes de detalhe (variações locais/ruído).
• Ramos Independentes: Cada componente de frequência é processado em ramos independentes com seus próprios parâmetros, evitando que ruídos de alta frequência contaminem as tendências de baixa frequência e resolvendo problemas de vazamento de frequência.

C. Ramo de Tempo (Dominante: Estabilidade Numérica)

• Âncora Linear em Fluxo: Mantém uma ramificação linear simples, mas robusta, no domínio do tempo.
• Média Móvel Exponencial (EMA): Utiliza EMA para extrair a tendência, respondendo mais sensivelmente a mudanças recentes do que a Média Móvel Simples (SMA), sem introduzir viés de preenchimento (padding) nas bordas. Isso garante estabilidade numérica e ancoragem para as previsões.

D. Fusão Adaptativa

• Mecanismo de Portão Consciente da Escala: Um módulo de fusão dinâmica pondera as saídas dos três ramos (Tempo, Frequência, Visão) em nível de passo de tempo. Isso permite que o modelo se adapte a diferentes contextos de dados, priorizando a modalidade mais relevante para o momento específico da previsão.

3. Principais Contribuições

1. Framework Multimodal Unificado: O TriTS é a primeira abordagem a integrar sistematicamente os domínios de tempo, frequência e visão para previsão de séries temporais, tratando o sinal como uma entidade multimodal.
2. Integração de Visual Mamba: Pioneira na aplicação de Visual Mamba (SSM) para previsão de séries temporais, quebrando a barreira de complexidade $O(N^2)$ dos métodos baseados em visão, permitindo modelagem global eficiente em sequências ultra-longas.
3. Codificador de Frequência Baseado em Wavelet: Introdução do módulo MR-WM para lidar com sinais não estacionários, oferecendo localização tempo-frequência fina e decuplamento explícito de tendências e ruído, superando as limitações da FFT.
4. Eficiência e Desempenho: Redução drástica no número de parâmetros e latência de inferência em comparação com modelos baseados em visão (como VisionTS), mantendo ou superando o estado da arte (SOTA).

4. Resultados Experimentais

• Desempenho SOTA: O TriTS alcançou o melhor desempenho (menor MSE e MAE) na maioria dos conjuntos de dados de benchmark (ETT, Electricity, Traffic, Weather) e em várias durações de previsão.
• Comparação com Baselines: Superou modelos baseados em visão (VisionTS, VisionTS++), modelos baseados em wavelet (WPMixer, FDNet) e arquiteturas Transformer (PatchTST, iTransformer).
• Eficiência Computacional:
  • Redução significativa no uso de memória e tempo de inferência em comparação com VisionTS (que usa modelos MAE grandes e ViTs).
  • O TriTS utiliza um backbone Vim-Tiny (apenas 8.8M de parâmetros), enquanto VisionTS utiliza modelos muito maiores (111M+), demonstrando que a eficiência não precisa ser sacrificada para obter alta precisão.
• Análise de Ablação: A remoção de qualquer um dos três ramos (Tempo, Frequência ou Visão) resultou em degradação significativa do desempenho, confirmando a necessidade sinérgica de todas as modalidades. A remoção do ramo de tempo causou instabilidade severa, validando seu papel como âncora.

5. Significado e Impacto

O TriTS redefine a base de eficiência para a análise de séries temporais multimodais. Ao demonstrar que é possível combinar a percepção estrutural poderosa dos modelos de visão com a eficiência linear dos SSMs e a precisão física das wavelets, o trabalho oferece uma nova direção para lidar com a complexidade de dados do mundo real. Ele resolve o dilema entre precisão e custo computacional, tornando viável a previsão de longo prazo em cenários com janelas de dados massivas sem a necessidade de hardware excessivo.