HPMixer：用于多变量时间序列预测的层次化分块

在对多变量时间序列进行长期预测时，有效捕获周期模式和残差动力学至关重要。为此，在标准深度学习基准设置下，我们提出层次化分块混合器（Hierarchical Patching Mixer, HPMixer），该模型以解耦且互补的方式建模周期性和残差分量。周期性分量采用 [7] 中改进的可学习循环模块，辅以非线性通道间 MLP 以提升表达能力。残差分量通过可学习 stationary 小波变换（LSWT）提取稳定、平移不变的频域表示。随后，通道混合编码器建模显式的通间依赖性，while 采用两级非重叠层次化分块机制捕获粗粒度和细粒度残差变化。通过将解耦的周期建模与结构化的多尺度残差学习相结合，HPMixer 提供了一个有效的框架。大量实验表明，在标准多变量基准测试上，HPMixer 能实现与最新基线相当或优异的性能。