DisenTS：用于多变量时间序列预测的解耦通道演化模式建模

多变量时间序列预测在各种现实应用中发挥着重要作用。已做出大量努力来集成先进的网络架构和训练策略，以增强对时间依赖性的捕获，从而提高预测精度。另一方面，主流方法通常使用单一的统一模型，通过简单的通道混合嵌入或跨通道注意力操作来应对关键的复杂通道间依赖关系。此外，一些方法甚至基于通道独立假设以容量换取鲁棒预测。然而，由于每个通道的独特特征（包括多个强季节性和趋势变化），时间序列数据可能表现出不同的演化模式，统一建模方法可能导致次优结果。为此，我们提出了 DisenTS，一个专门用于建模多变量时间序列中解耦通道演化模式的框架。DisenTS 的核心思想是以解耦的方式建模多变量时间序列数据中的潜在多样化模式。在技术上，该框架采用多个不同的预测模型，每个模型负责揭示一种独特的演化模式。为了在没有模式划分监督的情况下引导学习过程，我们引入了一种新的预测器感知门控（FAG）模块，该模块根据预测器的状态和输入序列的特征自适应地生成路由信号。预测器的状态来自线性权重近似（LWA）策略，该策略将复杂的深度神经网络量化为紧凑的矩阵。此外，进一步提出了相似性约束（SC），通过最小化表示之间的互信息来引导每个模型专注于底层模式。