IConv：针对多变量时间序列预测中局部变异性的通道独立卷积
机器学习
2025-09-26 v1 人工智能
摘要
现实世界的时间序列数据常表现出非平稳性，包括趋势变化、规则季节性及残差等。就趋势变化而言，最近提出的基于多层感知器（MLP）的模型因其计算效率和捕捉长期依赖能力而表现优异。然而，MLP架构的线性特性在处理分布多样的通道时存在局限，导致季节模式和残差成分等局部变异被忽略。卷积神经网络（CNN）能够有效地融合这些变异。为解决MLP的局限性，我们提出将其与CNN结合。总体趋势采用MLP建模，以考虑长期依赖；CNN采用多样化的卷积核与MLP趋势预测一起建模细粒度的局部模式。为聚焦局部变异性建模，我们提出IConv——一种处理时序依赖性通道独立、并通过不同层考虑通间关系的新型卷积架构。通道独立处理使能够建模多样化的局部时序依赖，同时采用更大的卷积核；通间独立考虑可降低计算成本。我们在时间序列数据集上进行大量实验评估该模型。结果表明，该方法在多变量时间序列预测中具有优越性能。
引用
@article{arxiv.2509.20783,
title = {IConv: Focusing on Local Variation with Channel Independent Convolution for Multivariate Time Series Forecasting},
author = {Gawon Lee and Hanbyeol Park and Minseop Kim and Dohee Kim and Hyerim Bae},
journal= {arXiv preprint arXiv:2509.20783},
year = {2025}
}
备注
Submitted to AAAI