AltTS：用于多变量时间序列预测的双路径交替优化框架
机器学习
2026-02-13 v1 人工智能
摘要
多变量时间序列预测涉及两个质化不同因素：(i) 稳定的序列内自回归 (AR) 动力学，和 (ii) 可在长期预测中变得虚假的跨维度相互作用。我们认为，拟合单一模型同时捕捉这两种效应会导致优化冲突：跨维建模所需的高方差更新会破坏支持自回归的梯度，导致训练脆弱且长期预测精度下降。为此，我们提出 ALTTS，一种双路径框架，显式解耦自回归和跨关系 (CR) 建模。在 ALTTS 中，AR 路径采用线性预测器实现，CR 路径使用带有 Cross-Relation Self-Attention (CRSA) 的 Transformer；两者通过交替优化进行协调，以隔离梯度噪声并减少跨块干扰。大量基准实验表明，ALTTS 一致优于先前方法，在长期预测任务上提升尤为显著。总体而言，我们的结果表明，仔细设计的优化策略而非日益复杂的架构，是推动多变量时间序列预测进步的关键因素。
引用
@article{arxiv.2602.11533,
title = {AltTS: A Dual-Path Framework with Alternating Optimization for Multivariate Time Series Forecasting},
author = {Zhihang Yuan and Zhiyuan Liu and Mahesh K. Marina},
journal= {arXiv preprint arXiv:2602.11533},
year = {2026}
}
备注
Preprint