KARMA: 一种用于多元长期时间序列预测的多级分解混合 Mamba 框架
机器学习
2025-06-11 v1
摘要
多元长期且高效的时间序列预测是多种实际应用的关键需求，时间序列数据中存在复杂的交错时间动力学，需要进行分解建模。传统的时间序列分解方法单一且依赖固定规则，不足以挖掘序列的潜在信息并适应复杂序列的动态特性。另一方面，基于 Transformer 的时间序列预测模型由于其高计算复杂度，难以有效建模长序列和复杂的动态关系。为克服这些限制，我们提出了 KARMA，其包含一个自适应时间通道分解模块（ATCD），用于动态提取趋势和季节分量。该模块进一步集成了一个混合频域-时域分解模块（HFTD），将序列进一步分解为频域和时域分量。这些分量与多尺度基于 Mamba 的 KarmaBlock 耦合，以高效且协调的方式处理全局和局部信息。在来自多个领域的八个真实数据集上的实验充分表明，KARMA 在预测准确性和计算效率方面均显著优于主流基线方法。代码和完整结果可在以下仓库中获取：https://github.com/yedadasd/KARMA
引用
@article{arxiv.2506.08939,
title = {KARMA: A Multilevel Decomposition Hybrid Mamba Framework for Multivariate Long-Term Time Series Forecasting},
author = {Hang Ye and Gaoxiang Duan and Haoran Zeng and Yangxin Zhu and Lingxue Meng and Xiaoying Zheng and Yongxin Zhu},
journal= {arXiv preprint arXiv:2506.08939},
year = {2025}
}
备注
10 pages,3 figures, published to WASA2025