Вероятностное прогнозирование многомерных временных рядов с помощью глубоких генеративных моделей

В настоящее время появилось новое направление в прогнозировании временных рядов с использованием глубоких генеративных моделей, о чем свидетельствуют многие работы последних лет. Для задачи прогнозирования используются различные подходы, которые ранее не применялись к временным рядам, такие как нормализующие потоки и генеративно-состязательные сети. С другой стороны, архитектуры нейронных сетей для задач обработки естественного языка, такие как рекуррентные нейронные сети и трансформеры, в настоящее время активно модифицируются для решения задач прогнозирования временных рядов. В данной статье представлены современные подходы к вероятностному моделированию временных рядов, а также наиболее популярные архитектуры нейронных сетей. Классификация моделей дана по типу моделирования и по архитектуре нейронной сети. В ходе работы представлены результаты измерений, которые показали, что наилучшее качество для различных метрик показывают такие модели, как Gaussian TCN.