KDD 2025 顶会最新力作，多变量时间序列猜测登顶！

在多变量时间序列猜测范畴，怎样高效捕获时间分布厘革和通道间复杂关系是两大核心寻衅。传统方法每每难以同时处理惩罚时间模式的异质性和通道间的噪声影响。近期，基于时频联合的方法在这一范畴取得了明显希望。本文总结了两篇创新性论文，分别从时间-通道双重聚类和多标准频域遮蔽的角度出发，提出了DUET和MMFNet两种模子，为多变量时间序列猜测提供了新的办理方案。为资助想发论文的同砚，我挑选了5篇最新的多时间序列猜测的paper，把创新思绪简朴提炼了一下，方便各人找灵感。

点击【AI十八式】的主页，获取更多优质资源！

一、DUET: Dual Clustering Enhanced Multivariate Time Series Forecasting

研究方法

论文提出了一种名为DUET的框架，通过在时间维度和通道维度上举行双重聚类来加强多变量时间序列猜测。DUET包罗两个关键模块：时间聚类模块（TCM）和通道聚类模块（CCM）。TCM通过将时间序列聚类到细粒度的分布中，利用差异的模式提取器来捕获每个分布簇的独特时间模式，从而建模时间模式的异质性。CCM采取通道软聚类战略，通过分量学习在频域中捕获通道间关系，并应用希奇化以减轻噪声通道的倒霉影响。别的，DUET还计划了一个融合模块（FM），基于掩码注意力机制，将TCM提取的时间特性与CCM天生的通道掩码矩阵有效联合。
论文创新点

• 提出DUET框架：通过双重聚类战略，分别在时间维度和通道维度上对时间序枚举行建模，有效处理惩罚时间分布厘革和通道间复杂关系。
  
• 时间聚类模块（TCM）：计划用于处理惩罚时间分布厘革的模块，通过聚类时间序列到差异的分布簇中，并为每个簇计划特定的模式提取器，捕获时间模式的异质性。
  
• 通道聚类模块（CCM）：采取通道软聚类战略，在频域中通过分量学习捕获通道间关系，并应用希奇化技能，减轻噪声通道的影响。
  
• 融合模块（FM）：基于掩码注意力机制，将时间特性和通道掩码矩阵有效联合，提拔猜测性能。
  
  
  

实验效果

DUET在25个真实天下数据集上举行了广泛实验，效果表明其在多变量时间序列猜测方面优于当前开始辈的基线模子。与非安稳变更器（Non-stationary Transformer）相比，DUET在处理惩罚时间分布厘革时，MSE低沉了32.4%，MAE低沉了21.7%。别的，DUET在具有强通道间相干性的数据集（如Solar和Traffic）上体现尤为出色。
二、MMFNET: MULTI-SCALE FREQUENCY MASKING NEURAL NETWORK FOR MULTIVARIATE TIME SERIES FORECASTING

研究方法

论文提出了一种名为MMFNet的模子，通过多标准遮蔽频率分解方法加强恒久多变量时间序列猜测。MMFNet通过将时间序列转换为差异标准的频率段，并利用可学习的遮蔽机制自顺应地过滤无关组件，从而捕获风雅、中等和粗粒度的时间模式。MMFNet包罗三个关键组件：多标准频率分解、遮蔽频率插值和谱反转。多标准频率分解将输入时间序列标准化并分割为差异标准的段，然后通过离散余弦变更（DCT）转换到频域。遮蔽频率插值应用可学习的遮蔽机制过滤频率组件，并通过线性层转换过滤后的频率段。末了，谱反转通过逆离散余弦变更（iDCT）将处理惩罚后的频率组件转换回时域。
论文创新点

• 多标准频率分解：初次采取多标准频率域分解捕获动态厘革，使模子可以或许同时捕获短期颠簸和恒久趋势。
  
• 可学习遮蔽机制：引入新颖的可学习遮蔽机制，自顺应过滤无关频率组件，使模子可以或许专注于最有信息量的信号。
  
• 高效谱反转：通过逆离散余弦变更将处理惩罚后的频率组件转换回时域，整合多标准频率信息，天生精炼信号。
  
  
  

实验效果

MMFNet在多个恒久时间序列猜测（LTSF）基准数据集上的实验效果表明，其性能优于现有模子，MSE均匀低沉了6.0%。特殊是在扩展猜测范围（如720）时，MMFNet在ETTh1数据集上实现了0.411、0.419、0.423和0.424的MSE值，在ETTm2数据集上实现了0.346、0.357、0.356和0.349的MSE值。别的，MMFNet在处理惩罚具有差异通道数量和采样率的数据集时体现出强盛的顺应性，无论是在低通道、低采样率场景照旧高通道、高采样率场景中均体现出色。

 点击【AI十八式】的主页，获取更多优质资源！