长输入序列网络用于长时间序列预测

短固定长度输入是深度学习方法在长时间序列预测任务中的主要瓶颈。延长输入长度会导致过拟合，快速恶化精度。我们的研究表明，过拟合是多尺度模式在时间序列中的耦合反应，以及当前模型固定聚焦尺度的组合反应。首先，我们发现时间序列在不同尺度上呈现的模式反映了其多周期性，其中每个尺度对应特定的周期长度。其次，我们发现，token 大小主要决定了模型行为，因为它决定了模型聚焦的尺度以及其可容纳的上下文大小。我们的想法是解耦时间序列的多尺度时序模式，并以其对应的周期长度为 token 大小来建模每个模式。我们引入了一种新型分解模块（MPSD），以及一种多 Token 模式识别神经网络（MTPR），使模型能够处理\textit{输入长度最长可达原始数据的 $10\times$ }。充足的上下文提升了性能（\textit{最高精度提升 38\%}），而解耦方法提供了\textit{低复杂度（$0.22\times$ 成本）}和\textit{高可解释性}。