CPiRi：面向多变量时间序列预测的通道排列不变关系交互
计算机视觉与模式识别
2026-03-02 v2
摘要
当前多变量时间序列预测方法可分为通道依赖型与通道独立型。通道依赖型模型学习跨通道特征，但常对通道排序过拟合，限制了在通道增删或重排时的适应性。通道独立型模型则孤立处理每个通道以提高灵活性，但忽略通间依赖，限制了性能。为此，我们提出 CPiRi，一个通道排列不变（CPI）框架，从数据中推断跨通道结构，而非记忆固定排序，实现在结构和分布漂移无需重新训练的部署。CPiRi 将 spatio-temporal 解耦架构与 permutation-invariant 训练策略相结合：冻结预训练的时间编码器提取高质量时序特征，轻量化空间模块学习内容驱动的通间关系，并通过通道洗牌策略在训练中强制实现 CPI。我们进一步从理论角度对 CPI 在多变量时间序列预测中的置换等价性进行分析。实验在多个基准数据集上显示，CPiRi 实现了状态最佳结果。CPiRi 在通道顺序被洗牌时保持稳定，并展现出对未见通道的强归纳泛化——即使仅使用一半通道训练也能表现良好，同时在大规模数据集上保持实用高效。项目源码已发布于 https://github.com/JasonStraka/CPiRi。
引用
@article{arxiv.2601.20318,
title = {CPiRi: Channel Permutation-Invariant Relational Interaction for Multivariate Time Series Forecasting},
author = {Jiyuan Xu and Wenyu Zhang and Xin Jing and Shuai Chen and Shuai Zhang and Jiahao Nie},
journal= {arXiv preprint arXiv:2601.20318},
year = {2026}
}
备注
22 pages, 10 figures, ICLR 2026