RecMamba：基于重建增强的双路径Mamba模型在时间序列预测中的创新应用

本文提出RecMamba模型，通过重建增强（reconstruction-augmented）策略解决传统Mamba模型在时间序列预测（MTSF）中的表征局限性。该模型采用双路径设计（点级重建+片段时间特征提取）和动态损失平衡机制，在八个基准测试中显著提升预测精度（MSE/MAE平均降低9.45%/7.00%），为复杂时序建模提供新范式。

　　

亮点

• •
  提出新型Mamba双路径架构，通过独立任务分支联合建模重建与预测，实现多时间尺度的互补特征提取
• •
  引入动态损失调整机制，自适应平衡重建与预测任务的学习权重
• •
  在八个多元时间序列预测（MTSF）基准测试中验证卓越性能，尤其擅长长周期预测

相关研究

随着深度学习（Deep Learning）的快速发展，多元时间序列预测（MTSF）取得显著进展。如图2所示，现有模型可分为两类：仅关注预测的模型（第2.2节，如RNN、Transformer、Mamba等架构差异）和重建增强模型（第2.3节，训练策略分为两阶段和端到端）。这一分类反映了从单一任务向多任务协同学习的范式转变。

背景

本节提供框架所需基础：首先形式化定义多元时间序列预测（MTSF）问题，随后介绍Mamba及其双向变体Bi-Mamba的核心原理，二者构成模型主干。

方法

如图4所示，RecMamba包含四个核心模块：(a) 重建模块（Reconstruction Module），基于点级双向Mamba（Bi-Mamba）还原细粒度历史表征；(b) 时间特征模块（Temporal Feature Module），利用片级Bi-Mamba捕捉局部时序动态；(c) 特征融合模块（Feature Fusion Module），实现异构特征的对齐与集成；(d) 自适应损失模块（Adaptive Loss Module），动态调整任务权重。

数据集、基线及实验设置

数据集：在八个真实世界数据集评估性能，包括ETT数据集（ETTh1、ETTh2、ETTm1、ETTm2）、汇率数据集等。

基线模型：涵盖传统时序模型（如ARIMA）、深度学习模型（如LSTM、Transformer）及主流Mamba变体。

实验配置：采用均方误差（MSE）和平均绝对误差（MAE）作为评估指标，所有实验重复五次取平均值。

结论

RecMamba通过三项创新解决重建增强预测的核心问题：(1) 基于双向Mamba清晰分离点级重建与片级预测路径；(2) 特征融合模块（FFM）实现维度感知的异构特征对齐；(3) 自适应损失模块（ALM）动态平衡重建与预测目标，显著提升时序语义捕获能力。