CMoS：通过块状空间相关性重新思考时间序列预测
机器学习
2025-05-27 v1 机器学习
摘要
最近的轻量级时间序列预测模型的进展建议，时间序列预测任务具有内在的简单性。本文提出CMoS，一个超轻量级时间序列预测模型。与学习形状嵌入不同，CMoS直接建模不同时间序列块之间的空间相关性。此外，我们引入了关联混合技术（Correlation Mixing），该技术以最小参数捕捉多样化的空间相关性，引入可选的周期性注入技术以确保更快的收敛。尽管利用仅DLinear模型1%的参数数量，实验结果表明，CMoS在多个数据集上均优于现有最先进模型。进一步地，CMoS学习的权重具有很好的可解释性，为实践者提供了关于特定应用场景中时间结构的宝贵见解。
引用
@article{arxiv.2505.19090,
title = {CMoS: Rethinking Time Series Prediction Through the Lens of Chunk-wise Spatial Correlations},
author = {Haotian Si and Changhua Pei and Jianhui Li and Dan Pei and Gaogang Xie},
journal= {arXiv preprint arXiv:2505.19090},
year = {2025}
}
备注
Accepted by Forty-second International Conference on Machine Learning (ICML'25)