MSMixer：用于长期时间序列预测的学习型多尺度时序混合与互补线性快捷方式
机器学习
2026-05-18 v2
摘要
长期时间序列预测需要能够同时从固定回溯窗口中捕获快速振荡、中期周期性以及缓慢演化的宏观趋势的模型。现有轻量级基于MLP的模型通常仅在单一时间分辨率上工作，限制了其在多个尺度上显式建模模式的能力。我们提出了MSMixer，这是一种通道独立的多尺度MLP架构，通过三种互补创新措施解决了这一限制：（i）在下采样因子{1x, 4x, 16x}上的三个平行尺度分支，每个分支都有独立的MLP模块；（ii）一个可学习的softmax门，用于动态加权分支输出；（iii）一个DLinear互补快捷方式，提供完整窗口的趋势和季节性上下文。MSMixer在H=96时仅包含112K参数，运行复杂度为O(T)。在四个ETT基准上采用标准时间顺序划分和三个随机种子评估，MSMixer在轻量级模型中实现了最低的平均MSE（0.357）， outperforming DLinear（0.386，-7.4%）和 NLinear（0.365，-2.1%），在12个16种配置中获胜。与文献中五个基于Transformer的基线相比，MSMixer在16个配置中的9个配置中取得最佳或第二佳MSE，同时参数数量仅为PatchTST的5倍。消融和灵敏度分析确认了多尺度分支和DLinear快捷方式的互补贡献。
引用
@article{arxiv.2605.02689,
title = {MSMixer: Learned Multi-Scale Temporal Mixing with Complementary Linear Shortcut for Long-Term Time Series Forecasting},
author = {Ahmed Cherif},
journal= {arXiv preprint arXiv:2605.02689},
year = {2026}
}
备注
21 pages, 5 figures, 8 tables. Submitted to International Journal of Machine Learning and Cybernetics (Springer)