DMamba：基于分解增强的 Mamba 用于时间序列预测

状态空间模型 (State Space Models, SSMs)，特别是 Mamba，在长期时间序列预测中显示出潜力。然而，现有的 Mamba 基于架构在处理非平稳模式数据集时常常难以应对。时间序列理论的关键观察是，分解序列中趋势和季节性组成部分的变量间关系统计性质存在根本差异。趋势关系往往由少数常见随机因子或长期均衡驱动，表明它们驻留在低维流形上。相比之下，季节性关系涉及动态的高维相互作用，如相位偏移和振幅共同移动，需要更具表达力的建模。本文提出了 DMamba，一种新型预测模型，显式地将架构复杂度与这种组件特定特征相匹配。DMamba 采用季节-趋势分解，并对各组成部分使用专门的、差异化复杂度的模块：变量方向 Mamba 编码器捕获季节组成部分中丰富的跨变量动力学，而简单的多层感知器 (MLP) 足以学习趋势组成部分中低维变量间关系。广泛的实验表明，DMamba 设定了新的状态 quo (SOTA)，在各种数据集上 consistently 优于最新的 Mamba 基于架构和领先的分解模型。