MixLinear：0.1K 参数下的极端低资源多变量时间序列预测
机器学习
2026-02-17 v2
摘要
最近，在长期时间序列预测 (LTSF) 中存在浓厚兴趣，这涉及通过分析大量历史时间序列数据来识别模式和趋势，从而预测长期未来值。LTSF 面临着复杂时序依赖性和高计算需求的显著挑战。虽然 Transformer-based 模型提供了高预测准确度，但往往计算量大，不适用于硬件受限的设备。另一方面，线性模型通过采用时域中的分解方法或频域中的紧凑表示来降低计算开销。在本文中，我们提出了 MixLinear，这是一种专为资源受限设备设计的超轻量级多变量时间序列预测模型。MixLinear 通过建模时域中单元段和单元间变异，有效捕捉时域特征；同时从频域中低维潜空间提取频率变异，从而实现时域和频域特征的有效捕获。通过将下采样 n 长度输入/输出单层线性模型的参数规模从 O(n^2) 降低到 O(n)，MixLinear 在不牺牲准确度的情况下实现了高效计算。广泛的评估使用四个基准数据集表明，MixLinear 在预测性能上与最先进的模型相当或更好，参数数目显著更少 (0.1K)，这使其特别适合部署在计算资源有限的设备上。
引用
@article{arxiv.2410.02081,
title = {MixLinear: Extreme Low Resource Multivariate Time Series Forecasting with 0.1K Parameters},
author = {Aitian Ma and Dongsheng Luo and Mo Sha},
journal= {arXiv preprint arXiv:2410.02081},
year = {2026}
}