通过离线聚类实现准确且高效的多变量时间序列预测

准确且高效的多变量时间序列（MTS）预测对于交通管理和天气预报等应用程序至关重要，这些应用程序依赖于捕捉长期时间依赖性和实体之间的相互作用。现有方法，特别是基于 Transformer 架构的方法，会对所有时间步之间成对依赖关系进行计算，导致其计算复杂度随输入长度呈二次增长。为克服这些挑战，我们引入了一种名为 FOCUS（Forecaster with Offline Clustering Using Segments）的新方法，通过离线聚类提取原型来简化长期依赖建模。这些原型封装了真实世界系统中高水平事件，概括了相似时间段的关键特征。在在线阶段，FOCUS 动态地将这些模式适应当前输入，并捕捉输入段与高水平事件之间的依赖，实现准确且高效的预测。通过在离线聚类阶段识别原型，FOCUS 将在在线阶段建模长期依赖的计算复杂度简化为线性规模。广泛的实验在多样化的基准数据集上表明，FOCUS 在实现最先进准确性的同时，显著降低了计算成本。