AdaMamba：用于长期时间序列预测的自适应频率门控 Mamba
人工智能
2026-04-28 v1
摘要
准确的长期时间序列预测(LTSF)需要捕捉复杂的长程依赖关系和动态周期模式。最近的进展在频域分析方面提供了从全局层面揭示时间特征的方法。然而，现实中的时间序列常常呈现出显著的跨域异质性，其中在时域上看似同步的变量在频域上可能差异巨大。现有的频率-based LTSF 方法往往依赖于跨域同质性的隐式假设，这限制了其适应这种复杂变异的能力。为了有效地将频域分析与时间依赖性学习集成，我们提出 AdaMamba，一种在 Mamba state-space 更新过程中内嵌自适应且情境感知的频率分析的框架。具体而言，AdaMamba 引入一个交互式 patch 编码模块来捕捉跨变量的交互动态。然后，我们开发了一个自适应频率门控 state-space 模块，用于生成输入依赖的频率基，同时将常规的时间遗忘门推广为统一的时间-频率遗忘门。这使得能够基于所学的频域重要性对状态转换进行动态校准，同时保持 Mamba 在建模长程依赖方面的能力。对七个公开 LTSF 基准数据集和两个领域特定数据集进行的广泛实验表明，AdaMamba 在预测准确性上 consistently 优于最先进的方法，同时保持具竞争力的计算效率。AdaMamba 的代码已提供给公众：https://github.com/XDjiang25/AdaMamba。
引用
@article{arxiv.2604.23239,
title = {AdaMamba: Adaptive Frequency-Gated Mamba for Long-Term Time Series Forecasting},
author = {Xudong Jiang and Mingshan Loo and Hanchen Yang and Wengen Li and Mingrui Zhang and Yichao Zhang and Jihong Guan and Shuigeng Zhou},
journal= {arXiv preprint arXiv:2604.23239},
year = {2026}
}