自适应关联增强网络ACENet：多尺度周期建模驱动的多元时间序列预测新范式

针对多元时间序列(MTS)数据中复杂的周期内(intra-period)和跨周期(inter-period)时空关联建模难题，研究人员提出自适应关联增强网络(ACENet)。该模型通过快速傅里叶变换(FFT)提取多周期特征，构建三类关联矩阵捕捉特征间、时间戳间及跨周期相关性，并采用自适应权重机制动态平衡不同尺度依赖关系。实验证明其在气象、医疗等真实数据集上显著优于现有方法，为复杂时空模式分析提供可解释性框架。

　　

在数字化转型浪潮中，时间序列预测技术已成为气象预警、智慧医疗等关键领域的决策基石。然而现实世界中的多元时间序列(MTS)数据犹如交响乐谱，既包含各乐器(变量)的独奏旋律(时序变化)，又存在复杂的和声交互(跨变量关联)。传统方法如ARIMA(自回归积分滑动平均模型)只能捕捉线性趋势，而深度学习模型如LSTM(长短期记忆网络)虽能处理非线性关系，却难以显式建模周期内特征相关性和跨周期时空模式。更棘手的是，不同时间尺度(如昼夜周期与季节周期)的相互作用会形成动态变化的"时空涟漪效应"，这对金融风控、疫情预测等场景的模型泛化能力提出严峻挑战。

中国气象局的研究团队在《Digital Signal Processing》发表的研究中，创新性地提出自适应关联增强网络(ACENet)。该研究首先通过快速傅里叶变换(FFT)自动检测数据中的显著周期长度，将原始序列分解为多尺度周期片段。针对每个时间尺度，设计三重关联学习机制：特征关联矩阵捕捉变量间的潜在相互作用，时间戳关联矩阵建模周期内局部动态，跨周期关联矩阵建立远距离依赖。采用残差网络(ResNet)架构构建自适应权重模块，动态平衡不同尺度信息的贡献度。实验选取包含21项气象指标的10分钟级数据集和流感样病例(ILI)周报数据等四种真实场景数据验证。

在模型架构方面，研究团队首先通过频谱分析确定关键周期长度T₁,...,T_k，将输入X∈R^N×L重塑为三维张量X_p∈R^N×T×[L/T]。特征关联模块计算变量间的余弦相似度矩阵A^f∈R^N×N，时间戳模块生成注意力权重矩阵A^t∈R^T×T，跨周期模块则构建片段间关联A^c∈R^[L/T]×[L/T]。这三个矩阵通过可学习的参数α,β进行动态加权融合，最终通过层级聚合生成预测结果。

研究结果显示，在天气预测任务中，ACENet相比TimesNet模型将均方误差降低12.7%，特别在极端温度预警场景表现出显著优势。流感预测实验中，模型能准确捕捉到周周期和季节周期的交互效应，预测误差较传统GNN(图神经网络)方法降低19.3%。消融实验证实，特征关联矩阵对多变量协同变化的解释贡献度达38%，而自适应权重模块使模型在趋势主导序列中自动降低周期相关性权重至0.2以下。

这项研究的突破性在于首次实现了多元时间序列中多层次周期结构的显式解耦与动态融合。不同于Transformer依赖耗时的注意力机制或CNN(卷积神经网络)受限于局部感受野，ACENet通过频域分析建立物理可解释的周期基元，其关联矩阵可视化为分析变量相互作用提供了"时空显微镜"。实际应用中，该技术已应用于中国气象局的高影响天气预警系统，成功将强对流天气的预警提前量提升至45分钟。未来研究可进一步探索周期长度自适应调整机制，以及在心电图分析等医疗时序数据中的迁移应用潜力。