HGTS-Former：面向多变量时间序列分析的层次化超图 Transformer
计算机视觉与模式识别
2026-03-03 v2 人工智能
机器学习
摘要
多变量时间序列分析长期以来是人工智能领域的关键研究主题之一。然而，由于高维度、动态特性以及变量之间的复杂相互作用，分析复杂时间序列数据仍是一个未解决且具有挑战性的问题。灵感来自超图的强结构建模能力，本文提出了一种新颖的基于超图的时间序列 Transformer 主干网络，称为 HGTS-Former，用于解决多变量时间序列数据中的耦合问题。具体而言，给定多变量时间序列信号，我们首先对其进行归一化处理并嵌入到每个 patch 中。随后，我们采用多头自注意力机制来增强每个 patch 的时序表示。构建层次化超图以聚合每个通道内的时序模式以及不同变量之间的细粒度关系。随后，我们将超边转换为节点特征，通过 EdgeToNode 模块，并采用前馈网络进一步增强输出特征。对多个代表性时间序列分析任务和公开数据集上的广泛实验完全验证了我们提出的 HGTS-Former 的有效性。此外，我们提出了 EAST-ELM640，一个用于核聚变中识别局部激发(Edge-Localized Mode, ELM)的大规模时间序列数据集，在该数据集上我们实现了最先进的性能。源代码将发布在 https://github.com/Event-AHU/Time_Series_Analysis
引用
@article{arxiv.2508.02411,
title = {HGTS-Former: Hierarchical HyperGraph Transformer for Multivariate Time Series Analysis},
author = {Hao Si and Xiao Wang and Fan Zhang and Xiaoya Zhou and Dengdi Sun and Wanli Lyu and Qingquan Yang and Jin Tang},
journal= {arXiv preprint arXiv:2508.02411},
year = {2026}
}