PatchRNN：面向多变量长期时间序列预测的多尺度结构感知分解框架

《Electronics》：PatchRNN: A Multi-Scale Decoupled and Structure-Aware Framework for Long-Term Time Series Forecasting

　　摘要长期时间序列预测在能源、交通和气象领域具有重要意义，但现有方法在建模多尺度特征和保持局部序列结构方面存在不足。我们提出PatchRNN，一种面向多变量预测的分解与结构感知框架。其并行趋势分支采用多尺度补丁嵌入，以捕获并融合不同时间粒度下的长期模式。季节预测分支通过平均池化分离残差成分，并利用分段循环神经网络（SegRNN）高效建模其周期性波动。联合优化将点误差与补丁级结构损失（PSLoss）相结合。基于傅里叶的自适应分区使PSLoss能够约束局部趋势相关性、波动方差及均值。在多个真实基准数据集上进行的广泛实验表明，我们的模型在实现具有竞争力的长期预测性能的同时，保持了良好的局部结构一致性。在真实海洋波浪数据集School.nc上，当预测长度为96时，我们的模型取得均方误差（MSE）0.814，较最佳竞争基线降低8.64%。