Adapformer：面向多变量时间序列预测的自适应通道管理
机器学习
2025-11-19 v1 人工智能
摘要
在多变量时间序列预测（MTSF）中，准确建模多个变量之间的复杂依赖关系仍是挑战，其源于传统方法的内在局限。大多数现有模型采用通用独立（CI）或通用依赖（CD）策略，每种方法都存在不同缺点。CI 方法未能充分利用来自 inter-channel 互动的潜在洞见，导致模型可能未充分挖掘数据中潜在的统计依赖关系。相反，CD 方法往往纳入过多无关信息，增加模型过拟合和预测效率的风险。为此，我们引入自适应预测转换器（Adapformer），通过有效的通道管理融合 CI 和 CD 方法的优势。Adapformer 的核心在于其双阶段编码器-解码器架构，包括自适应通道增强器（ACE）用于丰富嵌入过程，和自适应通道预测器（ACF）用于细化预测。ACE 通过选择性地纳入关键依赖项来增强 token 表示，而 ACF 通过聚焦于最相关的协变量来简化解码过程，显著减少噪声和冗余。我们的严格测试表明，Adapformer 在 diverse 数据集上实现了超越现有模型的卓越性能，提升了预测准确性和计算效率，从而在 MTSF 中实现最先进水平。
引用
@article{arxiv.2511.14632,
title = {Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting},
author = {Yuchen Luo and Xinyu Li and Liuhua Peng and Mingming Gong},
journal= {arXiv preprint arXiv:2511.14632},
year = {2025}
}