STNet：基于双分支架构的季节-趋势分解网络在多元时间序列预测中的创新应用

本文推荐一篇聚焦时间序列预测(TSF)的前沿研究，作者提出STNet模型，通过指数加权移动平均(EWMA)分解框架将非平稳时间序列解耦为趋势(Trend)和季节性(Seasonal)成分，创新性地采用多尺度卷积门控单元(MCGU)与通道独立线性层(CIL)协同处理双分支特征。实验证实该模型在电力(ECL)、气象(ETT)等8个真实数据集上均展现卓越的预测精度(MAE/MSE指标)，为经济、能源等领域的时序分析提供高效解决方案。

　　

亮点

• 设计高效可扩展的MLP主干网络，在保持计算效率的同时实现稳健预测性能

• 提出基于EWMA的自适应分解方法，通过动态历史观测值加权精准捕捉演化中的趋势与季节模式

• STNet在长/短期预测任务中均表现优异，在ETTh₁等基准数据集上展现显著优势

季节性-趋势分解

时间序列分析前，采用移动平均核分解已被实践广泛验证。Autoformer首次通过移动平均核将复杂时序变化解耦为季节性和趋势成分，该创新启发了后续大量研究。例如FEDformer...

模型架构

STNet整体结构如图2所示。给定时间序列X_t，首先通过季节性-趋势-残差分解模块(STRDecomp)将其解耦，随后分别用季节性模块(Seasonal Block)和趋势模块(Trend Block)处理对应成分，最终通过投影器(Projector)整合输出预测结果Y_pred。

季节性-趋势-残差分解

STRDecomp组件通过...

实验

数据集： 采用太阳能(Solar Energy)、天气(Weather)、汇率(Exchange-rate)、电力(ECL)及电力变压器温度(ETT系列)等8个真实数据集，并额外使用PEMS和M4数据集验证短期预测能力。

评估指标： 基于学界惯例，主要采用均方误差(MSE)和平均绝对误差(MAE)作为核心评估标准...

结论

本研究提出的STNet通过双分支架构和EWMA分解框架，创新性地结合MCGU趋势建模与CIL/SFE/CFE季节性特征提取，在复杂时序预测中实现精度与效率的突破，为临床监测、流行病学预测等医学时序分析提供新范式。