ACFormer：通过自动卷积编码器缓解非线性的动力学时间序列预测
机器学习
2026-01-29 v1
摘要
时间序列预测(TSF)面临在建模复杂通道内时序依赖性和通道间相关性方面的挑战。虽然近期研究强调了线性架构在捕捉全局趋势方面的效率，但这些模型往往在处理非线性信号方面存在困难。为此，我们对卷积神经网络(CNN)TSF模型进行了系统的感受野分析。我们提出了"单个感受野"概念，以揭示细粒度结构依赖关系，发现卷积层充当类似通道注意力的特征提取器，同时对非线性波动具有优异的鲁棒性。基于这些洞见，我们提出了ACFormer一种旨在协调线性投影效率与卷积非线性特征提取能力的架构。ACFormer通过共享压缩模块捕获细粒度信息，通过门控注意力保持时序局部性，并通过独立的patch扩展层重建特定于变量的时序模式。多个基准数据集上的广泛实验表明，ACFormer始终实现了最先进的性能，有效缓解了线性模型在捕捉高频分量方面的固有缺陷。
引用
@article{arxiv.2601.20611,
title = {ACFormer: Mitigating Non-linearity with Auto Convolutional Encoder for Time Series Forecasting},
author = {Gawon Lee and Hanbyeol Park and Minseop Kim and Dohee Kim and Hyerim Bae},
journal= {arXiv preprint arXiv:2601.20611},
year = {2026}
}