Abstract: Y. Li, H. Zhao, J. Li, J. Liu (2026)

Time series forecasting (TSF) plays a pivotal role in decision-making and risk mitigation by predicting future values from historical observations. Despite significant improvements in forecasting accuracy, existing TSF models face two critical challenges. Increasing computational complexity hinders deployment on resource-constrained platforms, and vulnerability to random failures compromises prediction stability. To address these issues, we propose M3NAS-TSF, a multimodal multiobjective neural architecture search (NAS) framework that automates the design of lightweight and failure-resilient TSF models. Specifically, to address computational complexity, we introduce a modular time series super-net (MoTS-Net) that defines a flexible and compact search space, enabling the discovery of architectures with reduced model size. To enhance failure resilience, we develop a multimodal multiobjective NAS algorithm that promotes architectural diversity through an architecture-aware niching strategy and an architectural diversity distance (ADD) metric, ensuring a broad set of robust candidate models. We also propose a node distribution heatmap (NDH) and a structural entropy (SE) index to assess architectural diversity without ground-truth Pareto sets. Extensive experiments on 40 forecasting cases demonstrate that M3NAS-TSF outperforms six representative baselines, achieving superior forecasting accuracy (the maximum reduction in the root-mean-square error (RMSE) reached 14.50%) with a smaller model size while maintaining greater architectural diversity for failure resilience.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

Multimodal Multiobjective Neural Architecture Search for Lightweight and Failure-Resilient Time Series Forecasting