ms-Mamba：用于时间序列预测的多尺度 Mamba
机器学习
2026-03-06 v2 人工智能
摘要
时间序列预测一般通过循环网络、基于 Transformer 的模型以及最近提出的基于 Mamba 的架构来解决。然而，现有架构通常在单一时间尺度上处理输入数据，对许多需要信息在多个时间尺度上变化的任务可能并不最优。在本文中，我们提出了一种新型架构，称为多尺度 Mamba（ms-Mamba），以弥补这一差距。ms-Mamba 通过使用具有不同采样率（）的多个 Mamba 块来实现多尺度处理。我们在多个基准数据集上的实验表明，ms-Mamba 在包括最新提出的基于 Transformer 和基于 Mamba 的模型在内的多种 SOTA 方法中均表现出优势。例如，在太阳能数据集上，ms-Mamba 在平均四种预测长度下的均方误差（MSE）为 0.229，优于其最近的竞争者 S-Mamba 的 0.240，同时参数更少（3.53M vs. 4.77M）、内存占用更低（13.46MB vs. 18.18MB），且运算量更小（14.93G vs. 20.53G MACs）。代码和模型将对外公开。
引用
@article{arxiv.2504.07654,
title = {ms-Mamba: Multi-scale Mamba for Time-Series Forecasting},
author = {Yusuf Meric Karadag and Ismail Talaz and Ipek Gursel Dino and Sinan Kalkan},
journal= {arXiv preprint arXiv:2504.07654},
year = {2026}
}
备注
14 pages. Accepted for publication in Neurocomputing