DMSC：用于时间序列预测的动态多尺度协调框架
机器学习
2025-10-24 v4 人工智能
摘要
时间序列预测(TSF)在建模跨不同尺度的复杂时间依赖性方面面临持续挑战。尽管近期研究利用不同的分解操作以及基于CNN、MLP或Transformer的新型架构取得了进展，但现有方法仍受困于静态分解策略、碎片化的依赖性建模以及僵化的融合机制，限制了它们建模复杂时间依赖性的能力。为明确解决上述三个问题，我们提出了一种新颖的动态多尺度协调框架(DMSC)，其中包含多尺度补丁分解模块(EMPD)、三元交互模块(TIB)和自适应尺度路由MoE模块(ASR-MoE)。具体来说，EMPD被设计为一个内置组件，用于将序列动态分割成具有指数级缩放粒度的分层补丁，通过输入自适应的补丁调整消除预定义的尺度约束。然后，TIB在每个层的分解表示内联合建模补丁内、补丁间和跨变量的依赖性。EMPD和TIB被联合集成到层中，形成多层渐进级联架构，其中来自早期层的粗粒度表示通过门控路径自适应地指导后续层中的细粒度特征提取。ASR-MoE通过利用专门的全局和局部专家以及时间感知加权，动态融合多尺度预测。在十三个真实世界基准上的综合实验表明，DMSC在TSF任务上持续保持最先进(SOTA)性能和卓越的计算效率。代码可在https://github.com/1327679995/DMSC获取。
引用
@article{arxiv.2508.02753,
title = {DMSC: Dynamic Multi-Scale Coordination Framework for Time Series Forecasting},
author = {Haonan Yang and Jianchao Tang and Zhuo Li and Long Lan},
journal= {arXiv preprint arXiv:2508.02753},
year = {2025}
}