ITS-Mina：一种基于哈里斯鹰优化的全MLP框架，结合迭代精炼与外部注意力用于多元时间序列预测
机器学习
2026-05-01 v1 人工智能
摘要
多元时间序列预测在金融分析、能源管理和交通规划等众多现实应用中扮演着关键角色。虽然基于Transformer的架构在此任务中已广受欢迎，但近期研究表明，更简单的基于MLP的模型能以显著降低的计算成本达到有竞争力或更优的性能。本文提出ITS-Mina，一种用于多元时间序列预测的新型全MLP框架，它融合了三项关键创新：(1) 一种迭代精炼机制，通过反复应用共享参数的残差混合器堆栈，逐步增强时间表征，有效加深模型的计算能力而不增加独立参数的数量；(2) 一个外部注意力模块，用可学习的记忆单元替代传统的自注意力，以线性计算复杂度捕获跨样本的全局依赖关系；(3) 一种用于自动调整丢弃率的哈里斯鹰优化（HHO）算法，实现针对每个数据集的自适应正则化。在六个广泛使用的基准数据集上进行的大量实验表明，ITS-Mina在多个预测时间跨度上，与十一个基线模型相比，达到了最先进或极具竞争力的性能。
引用
@article{arxiv.2604.27981,
title = {ITS-Mina: A Harris Hawks Optimization-Based All-MLP Framework with Iterative Refinement and External Attention for Multivariate Time Series Forecasting},
author = {Pourya Zamanvaziri and Amirhossein Sadr and Aida Pakniyat and Dara Rahmati},
journal= {arXiv preprint arXiv:2604.27981},
year = {2026}
}
备注
19 pages, 2 figures, 3 tables, 4 algorithms