AverageTime：通过简单平均增强长期时间序列预测
机器学习
2026-02-03 v4 机器学习
摘要
多变量长期时间序列预测旨在利用历史观测预测未来序列，核心关注点是对序列内部和跨通道依赖关系的建模。众多研究开发了多种架构来捕捉这些模式，在预测精度上取得了显著提升。其中，iTransformer作为一种代表性的通道信息提取方法，利用Transformer架构对通道间依赖关系进行建模，从而促进序列变换以提升预测性能。基于iTransformer的通道提取概念，我们提出了AverageTime，一个简单、高效且可扩展的预测模型。与iTransformer不同，AverageTime保留了原始序列信息，并将通道提取重构为一种可堆叠、可扩展的架构。这使得模型能够通过多种结构机制生成多个新序列，而不仅限于对原始输入进行变换。此外，新提取的序列不限于通道处理；还可以融入序列分解等其他技术以提升预测精度。同时，我们在AverageTime中引入了通道聚类技术，在性能损失可忽略的情况下显著提升了训练和推理效率。在真实数据集上的实验表明，仅需对提取序列和原始序列进行两次简单的平均操作，AverageTime就在预测性能上超越了现有最先进模型，同时保持近线性复杂度。这项工作为时间序列预测提供了新视角：通过提取和融合来丰富序列信息。源代码可在https://github.com/UniqueoneZ/AverageTime获取。
引用
@article{arxiv.2412.20727,
title = {AverageTime: Enhance Long-Term Time Series Forecasting with Simple Averaging},
author = {Gaoxiang Zhao and Chunmao Huang and Li Zhou and Xiaoqiang Wang},
journal= {arXiv preprint arXiv:2412.20727},
year = {2026}
}