通过全局时序检索增强多变量时间序列预测
机器学习
2026-02-12 v1 人工智能
摘要
多变量时间序列预测 (MTSF) 在众多实际应用中发挥着关键作用，但现有模型受限于仅依赖有限的历史背景，这导致它们无法有效捕捉跨越显著超过输入时间范围的全局周期模式——尽管这些模式携带着强大的预测信号。朴素的解决方案，如扩展历史窗口，会导致严重的缺点，包括过拟合、计算成本高昂以及冗余信息处理。为此，我们引入了全局时序检索器 (GTR)，一个轻量级且即插即用的模块，用于扩展任何预测模型的时间感知范围，超越 immediate 历史背景。GTR 维护整个周期的自适应全局时序嵌入，并动态检索并对齐相关的全局片段与输入序列。通过 2D 卷积和残差融合 jointly 模型 local 与 global 依赖，GTR 在不改变宿主模型架构的前提下，将短期观察与长期周期性有效地桥接起来。在对六个真实数据集上的广泛实验中，GTR 在短期和长期预测场景中均一致实现了最先进的性能，同时保持最小的参数和计算开销。这些结果突显了 GTR 作为提升 MTSF 任务中全局周期性建模的高效通用解决方案。代码已在本存储库提供: https://github.com/macovaseas/GTR。
引用
@article{arxiv.2602.10847,
title = {Enhancing Multivariate Time Series Forecasting with Global Temporal Retrieval},
author = {Fanpu Cao and Lu Dai and Jindong Han and Hui Xiong},
journal= {arXiv preprint arXiv:2602.10847},
year = {2026}
}
备注
ICLR 2026