编辑推荐:
多变量时间序列预测要求模型推断未来值以及观测边界之外的时序结构如何演化。核心挑战在于将这种演化定义为一种中间预测,并将其与值预测联系起来。本研究提出了显式未来模式(Explicit Future Pattern, EFP)增强的预测方法,该方法将演化表示为相对
多变量时间序列预测要求模型推断未来值以及观测边界之外的时序结构如何演化。核心挑战在于将这种演化定义为一种中间预测,并将其与值预测联系起来。本研究提出了显式未来模式(Explicit Future Pattern, EFP)增强的预测方法,该方法将演化表示为相对于最后观测模式的多尺度变化。一个单独监督的预测器根据历史估计这种变化,解码器将预测模式与历史行为和变量关系相结合。一种混合训练策略使解码器接触监督模式、预测模式和扰动模式;推理时仅需历史输入。在九个公开数据集和四个预测视野上的实验评估了预测准确性和显式未来模式的贡献。在所有九个数据集上,预测模式优于随机打乱的模式,并且随着样本对齐的减弱,误差总体上增加。消融实验支持动态多尺度演化、频率信息和混合训练的作用。这些结果表明,当估计与当前样本保持对齐时,显式未来模式可以为多变量预测提供有用且可检查的指导。
多变量时间序列预测要求模型从共享历史窗口推断多个相关变量的未来值,在能源、气象、交通和经济分析等领域支撑规划与决策。长期预测尤为困难,因为趋势、周期性行为和短期波动可能同时存在,这些结构在不同变量间可能存在差异,并可能在最后观测之后继续变化。因此,模型不仅需要推断未来数值,还需要理解观测区间之外时序模式的演化方式。现有方法如DLinear、PatchTST、iTransformer、TimesNet、TimeMixer和PDF等,分别通过分解、补丁、变量关系建模以及周期、多尺度或频率表示来组织历史信号,但较少将“未来模式演化”本身作为独立的监督目标并显式连接到值预测。为此,研究人员提出了一种显式未来模式增强的预测框架(EFP),将未来演化定义为相对于持久性参考的多尺度变化,通过单独监督的模式预测器从历史中估计这一变化,并将预测模式作为解码器的显式输入,以指导最终值预测。
研究人员在九个公开数据集和四个预测视野上评估了EFP。九个数据集均来自时间序列预测基准(Time Series Forecasting Benchmark, TFB),覆盖能源、金融、气象、交通和太阳能领域,包括ETTh1、ETTh2、ETTm1、ETTm2、Exchange、Weather、Electricity、Traffic和Solar-Energy。主要结果显示,EFP在均方误差(Mean Squared Error, MSE)和平均绝对误差(Mean Absolute Error, MAE)上的平均秩分别为1.333和1.208,优于第二名的PatchTST(2.750和3.014),宏平均MSE为0.2896,MAE为0.3211,相对PatchTST分别降低3.07%和3.69%,并在九个数据集上均取得最佳或并列最佳的平均MSE和最佳平均MAE。机制实验表明,模式预测器在全部数据集上降低了模式变化估计误差,与随机打乱模式相比,对齐的预测模式在所有九个数据集上均取得更低的预测误差,且随着样本对齐逐步削弱,误差总体上单调上升。消融实验支持动态多尺度演化、频率信息和混合训练策略的作用。训练策略消融显示,混合使用监督模式、预测模式和扰动模式的训练策略取得最低宏平均误差(MSE 0.2896,MAE 0.3211)。计算成本方面,参数量少于0.86百万,推理延迟约5.0至7.1毫秒每样本。这些结果表明,当预测模式与当前样本保持对齐时,显式未来模式可以为多变量预测提供有用且可检查的指导。讨论部分指出,EFP的有效性依赖于模式变化的可预测性;Oracle模式与预测模式的对比说明样本对应关系的重要性;频率信息在总体上提供强先验,但不同数据上最优设计存在差异;历史依赖编码的二次方复杂度是面向高维数据的主要扩展瓶颈。结论认为,未来模式演化可以作为历史表示与未来值预测之间的有用接口,自适应尺度、概率模式和稀疏变量关系是自然的后续扩展方向。