分解时间序列预测管道：面向时间序列表示、信息提取与投影的模块化方法
人工智能
2025-07-09 v1
摘要
随着Transformer的出现，时间序列预测取得了显著进展，但由于需要有效的序列表示、记忆构建和精确的目标投影，仍面临挑战。时间序列预测仍是一个具有挑战性的任务，需要有效的序列表示、有意义的信息提取和精确的未来投影。每个数据集和预测配置都构成一个独特的任务，每个任务都提出独特的挑战，模型必须克服这些挑战才能产生准确的预测。为系统性地解决这些任务特定的困难，本文将时间序列预测管道分解为三个核心阶段：输入序列表示、信息提取与记忆构建、最终的目标投影。在每个阶段，我们检验 various 架构配置以评估不同模块（如卷积层用于特征提取和自注意力机制用于信息提取）在各种预测任务中的有效性，包括在七个基准数据集上的评估。我们的模型在保持卓越预测准确性的同时，大大提高了计算效率，训练和推理时间显著减少，参数数量也降低。源代码可在 https://github.com/RobertLeppich/REP-Net 查阅。
关键词
引用
@article{arxiv.2507.05891,
title = {Decomposing the Time Series Forecasting Pipeline: A Modular Approach for Time Series Representation, Information Extraction, and Projection},
author = {Robert Leppich and Michael Stenger and André Bauer and Samuel Kounev},
journal= {arXiv preprint arXiv:2507.05891},
year = {2025}
}