CVACL-MA：基于多适配器的综合变量分析与协同学习模型在多元时间序列预测中的应用

针对多元时间序列(MTS)预测中变量相关性复杂且传统方法忽略非正相关变量的问题，研究人员提出CVACL-MA模型，通过余弦相似度分析变量相关性，结合跨时间编码器和多适配器学习框架，分别处理正相关与非正相关变量组。实验证明其在9个真实数据集（如ETT、气象等）上优于现有方法，为金融、电力等领域提供更精准预测支持。

　　

在金融、气象和能源等领域，多元时间序列(MTS)预测的准确性直接影响决策效率。传统方法如ARIMA或深度学习模型（LSTM、Transformer）通常假设所有变量间存在正相关性，但现实中变量关系复杂多样——可能呈现正相关、负相关甚至无关联。例如，电力需求与温度可能正相关，而风速与湿度可能无直接关联。这种差异导致传统“一刀切”的跨变量学习会引入噪声，降低预测精度。为此，云南大学的研究团队在《Pattern Recognition》发表论文，提出CVACL-MA模型，首次通过相似性划分变量组并针对性学习，显著提升预测性能。

研究采用三项关键技术：1）基于余弦相似度的变量分组，将原始MTS划分为正相关组和非正相关组；2）跨时间编码器（Cross-time Encoder）提取时间维度的全局与局部特征；3）多适配器（Multi-adapter）学习非正相关变量的独特性，协同学习框架（Collaborative Learning Backbone）优化正相关变量间的交互。实验数据来自公开的ETT、气象等9个数据集。

方法论
通过余弦相似度量化变量相关性，划分两组变量：正相关组采用协同学习框架捕捉交互依赖；非正相关组通过多适配器（含降维、ReLU激活和升维层）学习多样性特征。跨时间编码器结合PatchTST思想，以通道独立方式学习时间维度特征。

实验结果
在ETT、电力等数据集上，CVACL-MA的MSE和MAE均优于对比模型（如iTransformer、PatchTST）。消融实验验证了变量分组的必要性——直接混合学习会降低3.2%的准确率。

结论与意义
该研究首次提出基于相似性的MTS变量分组策略，解决了传统方法忽视变量关系异质性的问题。CVACL-MA的创新性体现在：1）变量相关性分析的普适性框架；2）多适配器与协同学习的并行架构设计。成果为复杂场景下的时间序列预测提供了新范式，代码已开源（GitHub: yejunjiePhD/CVACL-MA）。未来可探索动态分组策略以适应变量关系的时变性。