DUET：基于双聚类增强的多变量时间序列预测

多变量时间序列预测对于金融投资、能源管理、天气预测和交通优化等各种应用至关重要。然而，由于两个主要因素，准确预测备受挑战。首先，现实世界的时间序列因随时间分布迁移而呈现异构的时序模式。其次，由于通道之间的相关性复杂且交织，难以精确且灵活地建模通道之间的相互作用。本研究通过提出一种称为 DUET 的通用框架来解决这些挑战，该框架在时序和通道维度上引入双聚类，以增强多变量时间序列预测。首先，我们设计了时间聚类模块（TCM），将时间序列聚类为细粒度分布，以处理异构的时序模式。对于不同的分布聚类，我们设计了各种模式提取器来捕获其固有的时序模式，从而对异构性进行建模。其次，我们引入一种新的通道软聚类策略并设计了通道聚类模块（CCM），通过度量学习捕获频域中通道之间的关系，并应用稀疏化来缓解噪声通道的不利影响。最后，DUET 将 TCM 和 CCM 组合，以整合时序和通道两个维度。对 25 个来自 10 个应用领域的真实数据集进行的广泛实验表明，DUET 在实际应用中表现出领先的性能。