MSTN：通用时间序列分析的轻量级快速模型
机器学习
2026-05-19 v4
摘要
现实世界的时间序列常表现出强烈的非平稳性、复杂的非线性动力学以及跨多个时间尺度（从快速的局部波动到缓慢演变的长期趋势）的特征。然而，许多当代架构采用刚性、固定尺度的结构先验——例如基于补丁的标记化、预定义的感受野或冻结的骨干编码器——这些会过度正则化时间动力学，限制其对突发性大幅事件的适应性。为处理此问题，我们引入多尺度时间网络（Multi-scale Temporal Network, MSTN），基于早期时间聚合原理。MSTN 集成了三个互补组件：（i）多尺度卷积编码器捕捉细粒度局部结构；（ii）序列建模模块通过递归或注意力机制学习长程依赖关系；（iii）自门控融合阶段集成 squeeze-excitation 和单个稠密层，以动态重新加权和融合多尺度表示。该设计使 MSTN 能够灵活地建模跨越毫秒级到长期时程的时序模式，同时避免通常与长上下文模型相关的计算负担。跨广泛的基准测试（包括插值、长期预测、分类和跨数据集泛化），MSTN 实现了最先进的性能，在 27 个数据集中建立了 21 个新的最佳结果，同时保持轻量级（MSTN-BiLSTM 约 0.40M 参数，MSTN-Transformer 约 1.06M 参数），适用于低延迟推理（<1 秒，常在毫秒级），可在资源受限的部署中使用。
引用
@article{arxiv.2511.20577,
title = {MSTN: A Lightweight and Fast Model for General TimeSeries Analysis},
author = {Sumit S Shevtekar and Chandresh K Maurya},
journal= {arXiv preprint arXiv:2511.20577},
year = {2026}
}
备注
29 pages