MetaEformer：揭示并利用复杂动态系统的元模式进行负载预测
机器学习
2025-06-17 v1
摘要
时间序列预测是许多实际应用中至关重要且实际的问题，尤其是在工业场景中，负载预测支撑着云计算、电网和交通网络等现代系统的智能运行。然而，这些系统的内在复杂性和动态性为带来了显著挑战。尽管基于模式识别和抗非平稳性的方法取得了进展，但当前方法无法在各种系统情境下持续保证有效，由于复杂模式、概念漂移和少样本问题的交织作用。为同时解决这些挑战，我们引入一种以基本波形（即元模式）为中心的新方案。具体而言，我们开发了独特的元模式池化机制，以净化和维持元模式，捕捉系统负载的细微本质。此外，提出的回声机制能够适应性地利用元模式，实现灵活而精确的模式重构。我们的元模式回声变换器（MetaEformer）将这些机制无缝地与基于变换器的预测器集成，提供了端到端的效率和核心过程的可解释性。在八个基准数据集和三个系统情境下，MetaEformer 显示出显著的性能优势，相对于十五个最先进的基线方法，准确率提升了37%。
引用
@article{arxiv.2506.12800,
title = {MetaEformer: Unveiling and Leveraging Meta-patterns for Complex and Dynamic Systems Load Forecasting},
author = {Shaoyuan Huang and Tiancheng Zhang and Zhongtian Zhang and Xiaofei Wang and Lanjun Wang and Xin Wang},
journal= {arXiv preprint arXiv:2506.12800},
year = {2025}
}