混合建模：探索 Mixer 网络用于不规则多元时间序列预测
机器学习
2026-02-27 v3
摘要
在医疗保健、气候科学和生物学等领域，对具有缺失值的不规则采样多元时间序列（IMTS）进行预测是一项基本挑战。尽管视觉和时间序列预测领域的最新进展表明，轻量级基于 MLP 的架构（如 MLP-Mixer、TSMixer）在准确性和效率上可与注意力模型相媲美，但它们在不规则和稀疏时间序列上的适用性尚未被探索。在本文中，我们提出了 IMTS-Mixer，一种将 Mixer 模型原理适配到 IMTS 场景的新型架构。IMTS-Mixer 引入了两个关键组件：(1) ISCAM，一个通道编码器，使用简单的 MLP 将不规则观测转换为固定大小向量；(2) ConTP，一个连续时间解码器，支持在任意时间点进行预测。在已建立基准数据集上的实验表明，我们的模型在预测准确性和推理时间方面达到了最先进性能，同时使用的参数少于基线模型。
引用
@article{arxiv.2502.11816,
title = {Mixing It Up: Exploring Mixer Networks for Irregular Multivariate Time Series Forecasting},
author = {Christian Klötergens and Tim Dernedde and Lars Schmidt-Thieme and Vijaya Krishna Yalavarthi},
journal= {arXiv preprint arXiv:2502.11816},
year = {2026}
}