DecompKAN：用于长期时间序列预测的分解 Patch-KAN

气候建模、生理监测和能源系统等科学领域的时间序列预测既需要优异的预测性能，也需要模型的可解释性。本文提出了 DecompKAN，一种轻量级无注意力架构，结合了趋势-残差分解、通道级分块、学习实例归一化和 B 样条 Kolmogorov-Arnold 网络（KAN）边缘函数。每个 KAN 边学习一个在学习的分块嵌入坐标上的显式可检查的 1 维标量函数，可直接可视化。在标准基准上，DecompKAN 在 32 个数据集-时间范围组合中获得最佳或与最佳相当的均方误差（MSE），在包括生理 PPG-DaLiA 基准在内的 9 个数据集下的受控相同配方评估中，在 20 个比较中获得最佳或与最佳相当的 MSE。该架构在具有平滑时间动态的数据集（如 Solar 降低 17%，ECL 降低 10% 相对于 iTransformer，Weather）以及生理时间序列方面表现尤为突出。对学习边缘函数的可视化揭示了不同领域中显著不同的潜在非线性。消融分析表明，架构管道（分解、分块、归一化）对性能的影响大于非线性层的选择，而 KAN 表述使得可检查学习的潜在转换成为可能。