编辑推荐：
长期时间序列预测（LTSF）在多领域至关重要，但 Transformer 等模型存在局限。研究人员提出 PatchWaveNet，经多数据集实验，该模型优于多种模型，提升了预测精度，为金融、能源等领域提供有效方案。
在当今科技飞速发展的时代，时间序列预测在众多领域都扮演着举足轻重的角色。无论是金融市场的风云变幻，投资者们渴望精准预测股票走势、汇率波动以获取收益；还是能源领域，需要提前预估能源消耗，合理安排生产与供应；亦或是工业生产，为实现高效优化、保障生产稳定运行，都离不开准确的时间序列预测。然而，长短期时间序列预测（Long-Term Time Series Forecasting，LTSF）却面临着重重挑战。预测周期长，使得未来充满不确定性；数据波动剧烈，犹如波涛汹涌的大海，难以捉摸；变量之间的关系错综复杂，宛如一团乱麻。
此前，传统的预测方法，如自回归积分滑动平均（ARIMA）模型和指数平滑（ES）模型，在处理简单的、单变量且相对稳定的时间序列时，还能发挥一定作用。但面对复杂的多变量、非平稳的长短期时间序列，就显得力不从心。后来，深度学习方法兴起，循环神经网络（RNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）等在一定程度上能够捕捉时间序列的依赖关系，可它们顺序处理输入数据的方式，导致效率低下，随着序列长度增加，训练时间大幅增长，难以满足实时预测的需求。
Transformer 模型凭借其全局输入能力，在自然语言处理、计算机视觉和 LTSF 等领域广泛应用。众多基于 Transformer 的模型不断涌现，它们大多致力于改进自注意力机制，可却普遍存在一个问题 —— 过于关注单个样本内的相关性，而忽视了样本之间的关联。与此同时，多层感知器（MLP）、卷积神经网络（CNN）等模型也在 LTSF 领域不断探索，但都存在各自的局限。在这样的背景下，为了攻克 LTSF 面临的难题，来自国内的研究人员开展了一项极具创新性的研究，他们提出了一种全新的框架 ——PatchWaveNet，旨在提升长短期时间序列预测的精度和效果。该研究成果发表在《Engineering Applications of Artificial Intelligence》上，为相关领域的发展带来了新的曙光。
研究人员在此次研究中，运用了多个关键技术方法。首先，对时间序列采用离散小波变换（Discrete Wavelet Transform）进行多级高低频分解，通过这种方式能够细致地剖析时间序列中的不同频率成分。接着，引入小波外部注意力（Wavelet External Attention，WEA）机制，以此捕捉多个样本序列之间的相关性。同时，提出了补丁图卷积网络（Patch Graph Convolution Network，PGCN）来挖掘每个补丁内的局部空间依赖关系，还融入了 Mamba 来刻画补丁之间的长期依赖关系 。研究过程中使用了多个真实世界的数据集，涵盖了不同领域的时间序列数据。
研究结果
- 模型性能对比：研究人员将 PatchWaveNet 与九种当前最先进（SOTA）的模型在十个数据集上进行了预测性能对比。实验结果令人惊喜，PatchWaveNet 在众多模型中脱颖而出，其预测性能分别比最新流行的基于 Transformer 的模型、基于 CNN 的模型、基于 MLP 的模型和跨域学习模型提升了 5.7%、16.8%、17.1% 和 13.2%。这充分表明 PatchWaveNet 在预测精度上具有显著优势，能够更准确地把握时间序列的变化趋势。
- 超参数分析：对 PatchWaveNet 的超参数进行了深入分析。通过调整不同的超参数设置，观察模型在训练和预测过程中的表现。研究发现，合理选择超参数能够进一步优化模型性能，使其在不同的数据集和预测任务中都能达到更好的效果，为模型的实际应用提供了重要的参数选择依据。
- 网络组件有效性评估：评估了 PatchWaveNet 各个网络组件的有效性。研究结果显示，离散小波变换与小波外部注意力机制的结合，有效地增强了时间序列在各个分解层次上的高频和低频分量，让模型能够更全面地捕捉序列特征；补丁图卷积网络能够精准地捕捉局部空间依赖关系，为模型提供了对局部数据特征的深入理解；Mamba 的引入成功地建模了补丁之间的长期依赖关系，并且验证了 Mamba 与图卷积网络集成的良好性能，各组件相互协作，共同提升了模型的预测能力。
研究结论与讨论
PatchWaveNet 的提出，成功地解决了以往模型在长短期时间序列预测中的部分关键问题。它通过独特的设计，有效地捕捉了样本之间的相关性，弥补了 Transformer 等模型的不足。同时，该模型在多个真实世界数据集上的出色表现，证明了其在提高预测精度和捕捉更广泛时间依赖关系方面的有效性。这为金融、能源、医疗和工业自动化等关键领域提供了强大且可扩展的解决方案，能够帮助相关行业更准确地进行趋势预测，做出更合理的决策，进而推动这些行业的高效发展。
然而，PatchWaveNet 并非十全十美。由于模型中包含了如多级小波增强块和 PGCN 等高复杂度模块，导致其计算成本相较于一些简单模型更高。从实验数据来看，尽管 PatchWaveNet 在均方误差（MSE）和平均绝对误差（MAE）等指标上表现出色，但每次迭代的训练时间相对较长。这在一定程度上限制了模型在对计算资源和时间要求苛刻场景中的应用。未来的研究可以朝着优化模型结构、降低计算成本的方向展开，进一步提升模型的实用性。
总的来说，这项研究成果意义重大。它不仅为长短期时间序列预测领域带来了新的思路和方法，推动了学术研究的进步，也为实际应用提供了更可靠的技术支持，有望在多个行业引发变革，助力实现更精准、高效的决策与管理 。
