面向多尺度多输出时间序列预测的自配置网络
机器学习
2026-04-10 v1 神经与进化计算
摘要
工业预测常涉及多源非同步信号和多目标输出，而部署要求在预测误差和模型复杂度之间进行明确的权衡。当前做法通常固定对齐策略或网络设计，难以在受算力限制的训练评估中系统性地协同设计预处理、网络架构和超参数。为此，我们提出一种自配置框架，输出在误差与复杂度之间进行权衡的可部署 Pareto 前沿集合。模型层面，我们开发了多尺度双分支卷积神经网络（MS--BCNN），其中短脉冲和长脉冲分支分别捕获局部波动和长期趋势，用于多输出回归。搜索层面，我们将对齐算子、架构选择和训练超参数统一整合到分层条件混合配置空间中，并应用基于玩家的混合多目标进化算法（PHMOEA）在有限计算预算内逼近误差-复杂度 Pareto 前沿。在分层合成基准和真实世界的硼石数据集上实验表明，我们的框架在相同预算下优于竞争基准，并提供灵活的部署选择。
引用
@article{arxiv.2604.07610,
title = {Auto-Configured Networks for Multi-Scale Multi-Output Time-Series Forecasting},
author = {Yumeng Zha and Shengxiang Yang and Xianpeng Wang},
journal= {arXiv preprint arXiv:2604.07610},
year = {2026}
}