MCMixer：基于多尺度时间解耦和动态特征依赖建模的混合时间序列预测模型

本文提出MCMixer混合架构，创新性地集成多层感知机（MLP）和卷积神经网络（CNN），通过多尺度分解时间混合（MDTM）模块实现趋势项与季节项的精准解耦，并采用特征残差混合（FRM）模块动态捕捉跨变量依赖关系。实验表明该模型在八个公开数据集上显著降低均方误差（MSE）和平均绝对误差（MAE），为复杂时间模式建模提供了新范式。

　　

亮点

• •
  提出基于卷积的多尺度分解时间混合模块，通过分离趋势项和季节项实现更精准的时间依赖建模
• •
  设计新型自适应自回归方法，通过动态选择模型阶数有效捕捉趋势模式；采用频域分析和连续间隔采样卷积对季节项中的多重时间模式进行解耦建模
• •
  开发基于多层感知机的特征残差混合模块，引入门控注意力机制优选重要特征，在特征维度上深度挖掘跨变量依赖关系
• •
  在八个公开数据集上的广泛实验验证了MCMixer的卓越性能，代码已开源

结论与未来工作

本研究提出的MCMixer模型基于多尺度分解解耦时间模式，结合多层感知机（MLP）和卷积技术，有效利用时间依赖性和跨变量关系，实现了多变量时间序列的长期预测。具体而言，为应对复杂时间模式，MCMixer采用多尺度分解方法将时间序列拆分为长期趋势项和季节项，并分别进行专门建模。