基于选择性表示空间提升时间序列预测：一种 patch 视角
机器学习
2025-12-17 v5
摘要
随着 patch 技术的不断发展，时间序列预测取得了显著进展。该技术将时间序列划分为多个相邻 patch，以有效地将上下文语义信息保留到有利于建模长期依赖的表示空间中。然而，传统的 patch 方法将时间序列划分为相邻的 patch，导致固定的表示空间，从而产生表征能力不足的问题。本文首次探索构建选择性表示空间，以灵活地包含预测最具信息量的 patch。具体而言，本文提出了选择性表示空间（SRS）模块，该模块利用可学习的选择性 patch 和动态重组技术，自适应地从上下文时间序列中选择和重排 patch，以充分挖掘上下文时间序列的特征，以提升基于 patch 的模型的预测性能。为展示 SRS 模块的有效性，本文提出了一种简洁而有效的 SRSNet，由 SRS 和一个 MLP 头组成，在来自多个领域的真实数据集上实现了最先进的性能。此外，作为一种新型即插即用模块，SRS也能提升现有基于 patch 的模型性能。相关资源已提供于 https://github.com/decisionintelligence/SRSNet。
引用
@article{arxiv.2510.14510,
title = {Enhancing Time Series Forecasting through Selective Representation Spaces: A Patch Perspective},
author = {Xingjian Wu and Xiangfei Qiu and Hanyin Cheng and Zhengyu Li and Jilin Hu and Chenjuan Guo and Bin Yang},
journal= {arXiv preprint arXiv:2510.14510},
year = {2025}
}