DDPR: 用于多变量时间序列预测的双可变形路径重构
《Expert Systems with Applications》:DDPR: Dual-Deformable Path Reconfiguration for Multivariate Time Series Forecasting
【字体:
大
中
小
】
时间:2026年09月21日
来源:Expert Systems with Applications 9.4
编辑推荐:
摘要
多元时间序列预测支撑着许多现实世界系统。一个核心挑战是同时捕捉时变的变量间依赖关系和非平稳时间模式。现有方法要么对每个变量进行几乎独立的建模,要么在所有变量上应用全局共享的通道交互结构。然而,现实世界中的变量间依赖关系往往是异构且时变的,这使得此类静态或独立的建模策略
摘要
多元时间序列预测支撑着许多现实世界系统。一个核心挑战是同时捕捉时变的变量间依赖关系和非平稳时间模式。现有方法要么对每个变量进行几乎独立的建模,要么在所有变量上应用全局共享的通道交互结构。然而,现实世界中的变量间依赖关系往往是异构且时变的,这使得此类静态或独立的建模策略难以适应不断演变的通道结构。此外,许多时间建模组件依赖固定的感受野,限制了它们对位置相关动态和演变周期模式进行自适应的能力。为解决这些局限性,我们提出了双可变形路径重构(DDPR)框架,该框架能够自适应地重构通道交互路径和时间感受野。通道路径重构(CPR)模块结合了动态数据自适应排序(DDAS)和稳定稀疏关系注意力(SSRA),分别用于建模时变的和稳定的变量间依赖关系。DDAS遵循由粗到细的引导策略,其中基于相似性的硬分组提供粗略的语义顺序,Gumbel-Sinkhorn软重排实现可微分的路径细化,随后进行跨通道特征提取。时间路径重构(TPR)模块采用深度因果可变形卷积(DCDC)来学习位置自适应的时间采样偏移,从而在分片时间轴上实现灵活的感受野。在八个标准基准数据集上的大量实验表明,DDPR在预测性能上优于或具有竞争力于最先进的基线方法。
引言
多元时间序列预测(MTSF)在高利害关系的现实世界应用中发挥着核心作用,包括电力负荷预测(Peteleaza等人,2024;Qureshi等人,2024)、交通流量预测(Harrou等人,2024;Pan等人,2024b)和天气预报(Nguyen等人,2024;Pan等人,2024a)。准确的预测需要捕捉时间和变量间两个维度上复杂的共同演化模式。为此,人们发展了两种广泛使用的建模范式,如图1(a)和(b)所示:系列内建模,专注于每个变量内部的时间动态,如趋势和周期波动(Nie等人,2023;Zeng等人,2023);以及系列间建模,显式刻画多个变量之间的结构依赖关系(Liu等人,2023)。
尽管各有优势,这两种范式仍面临局限性。现有系列间方法将变量间依赖关系建模为静态、时间不变的结构,即在所有时间位置上统一应用相同的通道交互模式。这一假设在实践中可能过于严格,因为变量之间的关系往往由于非平稳性、状态转换或上下文依赖耦合而在时间上发生偏移。相反,系列内方法主要独立建模每个变量,通常不显式捕捉跨通道交互,这在变量表现出强烈相互影响时可能会带来问题。因此,两种范式都无法以统一且自适应的方式充分表征动态的变量间依赖关系和时间模式,在现实世界多元时间序列的建模方面留下了关键空白。
因此,近期的研究工作转向了同时考虑时间演化和变量间依赖结构的统一架构(Hu等人,2025;Li等人,2025;Yu等人,2024),如图1(c)所示。这些研究不再将时间模式和变量间关系作为孤立组件进行建模,而是寻求建立集成化的预测架构,使通道级依赖关系和时间动态能够以协调的方式被捕捉。这些工作反映了一个日益增长的共识:有效的多元预测需要同时考虑通道结构和时间演化,特别是对于具有异构变量、复杂交互和演变依赖模式的现实世界系统。
然而,在异构和非平稳的多元动态下如何动态协调这两类依赖关系,仍缺乏充分探索。这一局限带来了两个关键挑战。一方面,许多现有方法仍通过相对分离或架构特定的模块来协调通道和时间建模,缺乏将通道和时间维度与动态自适应能力整合起来的统一机制。这使得在现实场景下难以捕捉跨变量和时间的持续演变和上下文敏感的依赖关系。另一方面,时间模式往往是非平稳的,其趋势、周期性和依赖结构随时间变化。大多数方法依赖固定尺度或静态感受野设计,缺乏能够响应此类变化的自适应机制,因此难以处理突变、渐变或模式变化等非平稳动态。
为应对这些挑战,我们提出了双可变形路径重构(DDPR)框架,如图1(d)所示。DDPR引入了一种可微分的路径重构机制,以数据驱动的方式动态适应通道交互结构和时间感受野。具体而言,通道路径重构(CPR)模块将稳定稀疏关系注意力与动态通道重排相结合,在分片级别捕捉异构且时变的变量间依赖关系。时间路径重构(TPR)模块采用具有可学习偏移的因果可变形时间采样来自适应调整时间感受野,从而灵活建模非平稳局部动态。CPR和TPR共同构成了统一的双路径重构框架,在分片标记级别联合适应通道交互路径和时间感受野。该框架避免了预定义的图结构和显式的高阶张量运算,其自适应性和计算效率在基准数据集上得到了评估。
• 我们提出了DDPR,一个用于多元时间序列预测的统一双可变形路径重构框架。该框架在分片标记级别联合重构通道交互路径和时间感受野。
• 我们设计了通道路径重构(CPR)模块,用于建模异构且时变的变量间依赖关系。CPR将稳定稀疏关系注意力与两阶段动态自适应扫描机制相结合,其中硬分组提供基于相似性引导的粗略通道顺序,软重排通过Gumbel-Sinkhorn排列实现可微分的通道路径优化。
• 我们提出了时间路径重构(TPR)模块,用于在非平稳动态下适应时间感受野。通过在分片时间轴上采用具有可学习偏移的因果可变形时间采样,TPR被设计为适应演变的局部时间模式,如突变、渐变和变化的周期结构。
• 在多个真实世界基准数据集上的大量实验证明了DDPR的有效性和鲁棒性。
章节片段
面向MTSF的通道独立建模
多元时间序列预测中一个广泛使用的研究方向聚焦于通道独立的时间建模,旨在捕捉每个单独序列内部的依赖关系,而不显式考虑变量间交互。循环架构如LSTM(Graves,2012)和GRU(Cho等人,2014)通过隐藏状态传播来建模序列依赖,但可能存在长程记忆能力受限和长序列训练效率低的问题。卷积……
问题定义
为便于清晰表达,以下定义中省略了批次维度。给定一个包含C个变量在T个时间步上观测的多元时间序列,我们将输入序列表示为??∈???×??。目标是预测所有变量的未来H个时间步,得到预测值 ???∈???×??。为便于局部时间特征提取,将输入序列划分为N个长度为L、步幅为S的分片,其中 ??=?(?????)/???+1。因此每个变量产生N个分片标记,分片化后的输入为……
实验设置
数据集。我们在八个广泛使用的多元时间序列预测基准数据集上评估DDPR,包括ETTh1、ETTh2、ETTm1、ETTm2、Electricity、Weather、Traffic和Exchange。这些数据集涵盖能源消耗、气象、交通和金融等多个领域,具有广泛的时间动态、变量间依赖关系和噪声特征。
基线方法。我们将DDPR与九种覆盖不同建模范式的代表性基线方法进行比较,包括……
结论
本文提出了DDPR(双可变形路径重构),一个用于多元时间序列预测的框架,能够自适应地重构通道交互路径和时间感受野。DDPR旨在解决现有方法的两个关键局限性:静态或全局共享的通道依赖关系建模,以及难以适应非平稳时间模式的固定时间感受野。
所提出的框架包含两个核心模块。通道……
CRediT作者贡献声明
Xuanbing Zhu(朱玄冰):概念化、方法论、软件、形式分析、调查、原始论文撰写。Taihua Chen(陈泰华):软件、验证、论文审阅与编辑。Hongyu Wang(王宏宇):监督、项目管理、论文审阅与编辑。Yingguang Hao(郝应光):监督、验证、论文审阅与编辑。
利益冲突声明
作者声明没有已知的竞争性经济利益或个人关系可能影响本文报告的工作。
Xuanbing Zhu | Taihua Chen | Hongyu Wang | Yingguang Hao
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号