Aura：通用多维外生因素集成框架用于航空类时间序列
机器学习
2026-03-17 v2 人工智能
计算与语言
摘要
时间序列预测在越来越多的工业应用中受到日益增长的需求，其中准确的预测对于做出明智的决策至关重要。除了数值时间序列数据之外，可靠的预测还需要整合多样化的外生因素。这些外生信息通常是多维甚至多模态的，引入异构的相互作用，单一模态的时间序列模型难以捕捉。在本文中，我们深入研究了航空维修场景，识别出三种不同的外生因素类型，这些因素通过不同的相互作用模式影响时间动态。基于这一实证洞察，我们提出了 Aura，一个通用的框架，显式地根据其与目标时间序列的相互作用模式来组织和编码异构的外部信息。具体而言，Aura 利用量身定制的三段式编码机制将异构特征嵌入到既定的时间序列模型中，以确保非序列上下文的无缝集成。在中国南方航空公司大型三年工业数据集上进行的广泛实验表明，Aura 在所有基准方法上均实现了统一的领先性能，并展现出卓越的适应性。我们的发现表明，Aura 有潜力作为航空安全和可靠性的通用性强化工具。
引用
@article{arxiv.2603.05092,
title = {Aura: Universal Multi-dimensional Exogenous Integration for Aviation Time Series},
author = {Jiafeng Lin and Mengren Zheng and Simeng Ye and Yuxuan Wang and Huan Zhang and Yuhui Liu and Zhongyi Pei and Jianmin Wang},
journal= {arXiv preprint arXiv:2603.05092},
year = {2026}
}