ASGMamba：用于多变量时间序列预测的自适应谱门控Mamba模型
机器学习
2026-02-03 v1 人工智能
摘要
长期多变量时间序列预测（LTSF）在诸多高性能计算应用中发挥关键作用，包括实时电网管理和大规模交通流仿真。然而现有解决方案面临困境：基于Transformer的模型因二次复杂度受限于长序列可扩展性，而线性状态空间模型（SSM）常常难以区分有价值信号与高频噪声，导致状态容量被浪费。为弥合这一鸿沟，我们提出ASGMamba，一个专为资源受限的超算环境设计的高效预测框架。ASGMamba集成轻量级自适应谱门控（Adaptive Spectral Gating，ASG）机制，基于局部谱能动态滤除噪声，使Mamba主干能够专注于稳健的时序动力学。此外，我们引入层次化多尺度架构，配合可变-specific Node 嵌入，捕获多样化的物理特征。九个基准实验表明，ASGMamba实现了最先进的准确率。同时保持严格的复杂度，我们在长时序任务中显著降低内存占用，从而将ASGMamba建立为资源受限环境下高吞吐预测的可扩展解决方案。代码已公开：https://github.com/hit636/ASGMamba。
引用
@article{arxiv.2602.01668,
title = {ASGMamba: Adaptive Spectral Gating Mamba for Multivariate Time Series Forecasting},
author = {Qianyang Li and Xingjun Zhang and Shaoxun Wang and Jia Wei and Yueqi Xing},
journal= {arXiv preprint arXiv:2602.01668},
year = {2026}
}