MAFNet：用于长期时间序列预测的多尺度主动融合网络

《Neurocomputing》：MAFNet: Multi-scale active fusion network for long-term time series forecasting

　　

摘要

长期时间序列预测是一项具有挑战性的任务，因为现实世界中的时间序列往往存在非平稳性、缓慢变化的趋势、季节性模式以及局部短期的残差细节。现有许多架构的局限性在于，它们要么用单一结构来处理整个序列，要么在分解后简化残差/高频成分。为解决这一问题，我们提出了MAFNet，这是一种分层预测框架，它将对称的U-Net架构应用于序列到序列的预测中。编码器递归地将输入分解为越来越平滑的趋势表示和残差细节成分。MAFNet还重新定义了传统的跳跃连接，将其视为主动预测路径：一个轻量级的多层感知器用于推断最深层的潜在趋势，而特定规模的时序卷积网络则用于预测残差细节的未来变化。对称的解码器则通过一种基于趋势的门控机制，以从粗到细的方式重建最终预测结果，该机制能够自适应地融合推断出的趋势和预测的残差动态。在八个广泛使用的基准数据集上的实验表明，MAFNet在性能上可与最新的优秀模型相媲美，包括2025 WPMixer，同时还能保持良好的精度与效率平衡。消融实验进一步验证了分层结构、潜在趋势推断、主动残差预测以及门控融合的重要性。代码可在https://github.com/hit636/MAFNet获取。

引言

时间序列预测是预测分析中的关键任务，对许多领域的决策制定至关重要。其目标是从历史数据中挖掘出诸如长期趋势、季节性周期和残差细节等潜在模式，从而预测未来状态。这一能力为金融市场、气象预报以及工业系统等多个领域的战略规划与风险管理提供了支持。在精准农业[1]、[2]、工业自动化[3]、[4]以及智能交通[5]、[6]等领域，高精度预测尤为重要。在能源管理[7]和互联医疗[8]、[9]领域，也需要可靠的预测能力，准确的预测有助于优化资源配置并实现及时干预。

尽管非常重要，但由于数据本身的非平稳性和多尺度特性，对长序列多元时间序列进行建模仍然具有挑战性[10]、[11]。许多现有模型难以捕捉不同时间尺度上的模式。基于Transformer的模型，如Autoformer[12]、Informer[13]和PatchTST[14]，通过使用注意力机制来建模长距离依赖关系，取得了显著进展。然而，这些模型往往将整个序列或片段视为一个整体，试图从混合信号中学习所有模式，这导致了较高的计算成本。正如DLinear[15]所示，由于缺乏多尺度分解的归纳偏置，一些更简单的模型有时反而能取得更好的性能。

Transformer本身的高计算复杂性促使人们开发出基于轻量级多层感知器的架构，如TSMixer[16]，这些架构证明了精心设计的骨干网络的有效性。此后，显式分解成为主流方法；TimeMixer[17]、WPMixer[18]和MSD-Mixer[19]等模型表明，将信号分解为趋势以及季节性/频率成分是实现最佳性能的关键。不过，一个共同的局限性依然存在：对残差动态的建模过于简单。许多现有方法将高频成分视为简单的线性函数，甚至视为可忽略的噪声，这从根本上限制了高精度预测的生成。

这就出现了一个根本性的权衡：单一结构在非线性建模方面表现优异，但缺乏结构分解能力；而基于分解的模型虽然高效，却往往无法捕捉复杂的残差细节。为解决这一问题，我们提出了MAFNet（多尺度主动融合网络），这是一种全新的架构框架，它对U-Net结构进行了重新设计，用于多元时间序列预测。我们的核心创新在于将跳跃连接重新构想为带有专用非线性预测器（TCNs）的主动预测路径。这些路径用于建模传统分解方法中常常被简化的残差动态。实验结果证实，结合分层分解与非线性预测器能够更好地建模复杂的时间模式。

MAFNet框架是通过对U-Net组件的功能重构实现的。编码器作为分层趋势分解器，递归地分离出高频细节，并将它们传递给专门的预测模型。嵌入在跳跃连接中的时序卷积网络负责预测残差细节的未来变化。与此同时，对称的解码器通过一种基于趋势的门控机制来重建最终预测结果。在每一层，该机制都会智能地融合推断出的全局趋势与预测的残差动态，从而生成准确且高精度的预测结果。

通过将专门的时间预测器嵌入到分层结构中，MAFNet提供了一种简单有效的、受U-Net启发的框架，用于实现分层趋势-残差预测。本工作的贡献可总结如下：

• •
  我们提出了MAFNet，这是一种分层式的、受U-Net启发的预测架构，它能将多元时间序列明确分解为多个时间尺度上的趋势和残差细节成分。
• •
  我们通过在跳跃连接中嵌入特定规模的TCN预测器，引入了主动预测路径。这些路径用于预测残差细节的未来变化，而不仅仅是传递历史特征。
• •
  我们设计了一种基于趋势的门控融合机制，该机制能够在从粗到细的重建过程中，自适应地结合推断出的潜在趋势与预测的残差细节。
• •
  我们在八个基准数据集上进行了大量实验，结果表明MAFNet在精度与效率之间取得了良好的平衡。同时，我们也分析了在某些情况下它并非最佳模型的情形，尤其是在高度不规则的高维数据集中。

本文的其余部分结构如下。第2节我们将回顾相关研究。第3节介绍基本概念。第4节介绍我们所提出的MAFNet的架构。第5节介绍实验设置并分析结果。最后，第6节对全文进行总结。

章节摘录

基于Transformer的模型

由于能够建模长期依赖关系，Transformer已成为近期时间序列预测方法中的主流技术。Autoformer[12]、Informer[13]和FEDformer[22]等基础模型通过设计新的注意力机制变体，解决了传统注意力机制的二次复杂度问题。Informer将注意力机制简化为对关键查询键对采用的ProbSparse注意力机制；而Autoformer则摒弃了注意力机制，转而使用一系列

基本概念

在本节中，我们将介绍本工作所需的基本概念。首先正式定义长期时间序列预测问题。接着介绍启发我们构建模型的关键设计思路：以其对称设计及特征整合能力著称的U-Net架构，以及强大的卷积序列建模架构——时序卷积网络。

方法论

在本节中，我们将介绍MAFNet的架构。我们的设计是一种多层编码器-解码器结构，它以系统化的方式重新定义了U-Net在预测中的应用。首先介绍整体架构，包括分层编码器、潜在趋势模块以及对称解码器。随后将进一步阐述分层编码器如何分解信号，残差动态如何通过跳跃连接进行预测，以及对称分层结构如何发挥作用

实验部分

在本节中，我们将对MAFNet进行系统评估。首先在八个公共数据集上，将其与代表性的Transformer模型、MLP模型、CNN模型以及基于分解的模型进行比较。之后还会进行消融实验、可视化分析、参数敏感性分析以及效率分析。在讨论过程中，我们不仅会介绍MAFNet表现最佳的场景，也会说明其他模型更具优势的情况。

结论

在本文中，我们介绍了MAFNet，这是一种分层预测架构，它将U-Net结构应用于长期多元时间序列预测。MAFNet可将输入序列分解为多尺度趋势成分和残差细节成分，通过轻量级多层感知器推断出最深层的潜在趋势，同时利用特定规模的时序卷积网络将跳跃连接转变为主动的残差预测路径。随后，一种基于趋势的门控机制会自适应地融合上采样得到的趋势与

CRediT作者贡献声明

李千阳：撰写——初稿、方法论、概念构思。张兴军：监督、资源提供、资金筹集。王少勋：可视化、验证。魏佳：撰写——审稿与编辑、软件相关工作。

利益冲突声明

作者声明，他们不存在任何可能影响本文所述工作的已知财务利益或个人关系。

致谢

本研究得到了中国国家自然科学基金（编号：62372366）的支持。

李千阳分别于2008年和2010年在中国威海的哈尔滨工业大学数学系获得学士和硕士学位。他目前是西安交通大学计算机科学与技术学院的博士研究生，主要研究方向包括深度学习、数据挖掘和时间序列分析。

李千阳|张兴军|王少勋|魏佳

中国陕西省西安市710049，西安交通大学计算机科学与技术学院