基于稀疏注意力机制的准确且高效的多通道时间序列预测
人工智能
2026-03-20 v1
摘要
多通道时间序列预测任务在金融、供应链管理和能源规划等诸多领域广泛存在。有效捕捉通道内部及通道间复杂动态依赖对于实现准确预测至关重要。然而，传统方法对学习通道间交互作用关注不足。本文提出了 Linear-Network（Li-Net），一种专为多通道时间序列预测设计的新型网络架构，旨在捕捉通道间的线性与非线性依赖。Li-Net 在序列维度和通道维度之间动态压缩表示，通过可配置的非线性模块处理信息后再重构预测结果。此外，Li-Net 集成了稀疏 Top-K Softmax 注意力机制于多尺度投影框架中，以解决上述挑战。其核心创新在于无缝集成并融合多模态嵌入，引导稀疏注意力聚焦于最具信息性的时间步和特征通道。通过在多个真实世界基准数据集上的实验结果表明，Li-Net 在准确性方面与最新基线方法持相当水平。此外，Li-Net 在预测准确性和计算负担之间实现了卓越的平衡，显著降低了内存占用并加快了推理速度。详细的消融实验和参数灵敏度分析验证了我们提出架构中每个关键组件的有效性。
引用
@article{arxiv.2603.18712,
title = {Accurate and Efficient Multi-Channel Time Series Forecasting via Sparse Attention Mechanism},
author = {Lei Gao and Hengda Bao and Jingfei Fang and Guangzheng Wu and Weihua Zhou and Yun Zhou},
journal= {arXiv preprint arXiv:2603.18712},
year = {2026}
}
备注
Accepted by ICDE 2026