DualNet：基于双路径自适应补偿的多元时间序列预测新范式

为解决多元时间序列预测中全局模式与局部突变难以协同建模的难题，研究人员提出DualNet架构，通过空间解耦实现双路径互补学习。该模型创新性地整合全局轨迹估计器与温度调节的自适应补偿机制，在ETT等9个基准数据集上显著提升预测精度（MSE降低9%），为复杂时序建模提供了可解释性强的新范式。

　　

在智能交通、电力调度和流行病预测等领域，多元时间序列预测一直面临"维度诅咒"的挑战——随着变量数量增加，传统模型难以同时捕捉跨变量的复杂关联和时序动态特征。现有方法如Transformer虽能建模长期依赖，却对局部突变（如交通拥堵突发、电力负荷骤变）响应不足；而CNN/RNN类模型虽擅长处理局部模式，在全局趋势预测中又容易产生累积误差。这种"顾此失彼"的困境，正是中国研究人员在《Neurocomputing》发表论文中试图突破的关键科学问题。

安徽大学的研究团队提出DualNet架构，其核心创新在于"分而治之"的哲学：将预测任务解耦为全局主轨迹估计和局部残差补偿两个独立又互补的学习空间。通过设计温度调节的动态权重机制（Temperature-scaled Adaptive Weighting），模型能像经验丰富的交响乐指挥家那样，灵活协调"主旋律"与"修饰音"的贡献比例。实验采用9个基准数据集（包括ETT电力变压器温度、交通流量等），通过组级特征处理（Group-wise Processing）和矩阵剖面分析（Matrix Profile）等技术验证模型性能。

主要技术方法
研究采用PyTorch框架实现模块化设计，关键创新包括：1）组级全局轨迹估计器通过扩展-缩减机制（扩展因子e=4）增强特征表示；2）补偿网络采用Sigmoid约束的残差学习（公式4）；3）动态温度参数τ^g通过softplus激活自适应调整；4）SCRIMP算法量化序列相似性。所有实验在NVIDIA RTX 4060 GPU上完成，采用早停策略（耐心值=3）防止过拟合。

研究结果

1. 预测性能突破：在ETTh1数据集96小时预测中，DualNet的MSE（0.362）较MICN降低9%，720小时预测误差（0.458）显著优于Crossformer（0.750）。在ILI流感预测任务中，24小时预测MAE（0.931）达到SOTA。

2. 空间解耦可视化：如图4所示，全局路径（蓝色虚线）专注捕捉下降趋势，补偿路径（橙色实线）精准修正上升残差，形成"下探-上修"的协同机制。

3. 长时序预测本质：矩阵剖面分析揭示，当窗口长度从96增至720时，ETTh1的自相似性均值上升47.3%，证实长时预测难点在于训练数据中重复模式不足。

4. 消融实验验证：移除温度调节机制后，ETTh2的720小时预测MSE上升11.6%，证明动态加权对平衡预测稳定性与灵敏度至关重要。

结论与意义
该研究通过神经架构创新回答了时序预测领域的三个核心问题：首先，双路径解耦设计证实了"分治策略"在复杂时序建模中的优越性；其次，温度缩放机制为多尺度特征融合提供了可学习的调控范式；最后，矩阵剖面分析揭示了数据本身（而非模型能力）是限制长时预测精度的关键瓶颈。这些发现不仅为工业级时序预测系统提供了新工具（代码已开源），更启发后续研究应关注训练数据的模式完备性。正如作者在讨论中指出："当 synthetic 数据包含完整周期模式时，模型能准确预测800步以上的演化"，这一发现或将推动时序数据增强技术的发展。