CrossLinear：用于带外生变量时间序列预测的即插即用互相关嵌入
机器学习
2025-05-30 v1 人工智能
摘要
带外生变量的时间序列预测是一种关键的新兴范式，在建模变量间依赖关系时带来了独特的挑战。传统模型通常难以区分内生变量和外生变量，导致效率低下和过拟合。在本文中，我们提出了 CrossLinear，一种新颖的基于线性（Linear）的预测模型，通过引入即插即用的互相关嵌入模块来解决这些挑战。该轻量级模块以极低的计算成本捕获变量间的依赖关系，并无缝集成到现有的神经网络中。具体而言，它捕获时不变的直接变量依赖关系，同时忽略时变或间接依赖关系，从而降低了依赖建模中的过拟合风险，并有助于持续提升性能。此外，CrossLinear 采用分块处理和全局线性头来有效捕获短期和长期时间依赖关系，进一步提高了其预测精度。在 12 个真实世界数据集上的大量实验表明，CrossLinear 在短期和长期预测任务中均取得了优异的性能。消融实验强调了互相关嵌入模块的有效性。此外，该模块的泛化能力使其成为跨不同领域各种预测任务的有价值的插件。代码可在 https://github.com/mumiao2000/CrossLinear 获取。
引用
@article{arxiv.2505.23116,
title = {CrossLinear: Plug-and-Play Cross-Correlation Embedding for Time Series Forecasting with Exogenous Variables},
author = {Pengfei Zhou and Yunlong Liu and Junli Liang and Qi Song and Xiangyang Li},
journal= {arXiv preprint arXiv:2505.23116},
year = {2025}
}