MTS-UNMixers: 基于通道-时间双向解混的方法进行多变量时间序列预测
机器学习
2024-11-28 v1
摘要
多变量时间序列数据通过利用多个维度上的信息，为未来预测提供了稳健的框架，确保在实际场景中具有广泛的适用性。然而，其高维度和混合模式在建立历史序列与未来序列之间的可解释且明确的映射，以及提取长程特征依赖方面，构成了重要挑战。为此，我们提出了一种用于多变量时间序列预测的通道-时间双向解混网络（称为MTS-UNMixer），该网络在时间和通道维度上将整个序列分解为关键基底和系数。该方法在历史序列和未来序列之间建立了稳健的共享机制，使其能够准确地进行表示并增强物理可解释性。具体而言，MTS-UNMixers将时间上的序列表示为多个趋势和循环的混合，其中与时间相关的表示系数在历史和未来时间段中共享。相比之下，通道上的序列可分解为多个时段基底，这些基底刻画了通道之间的相关性，并在整个序列中共享。为估计共享的时间依赖系数，我们采用 vanilla Mamba 网络，利用其与方向性因果性一致的特性。相反，采用双向 Mamba 网络来建模共享的通道相关基底，以容纳非因果关系。实验结果表明，MTS-UNMixers 在多个基准数据集上显著优于现有方法。代码已公开于 https://github.com/ZHU-0108/MTS-UNMixers。
引用
@article{arxiv.2411.17770,
title = {MTS-UNMixers: Multivariate Time Series Forecasting via Channel-Time Dual Unmixing},
author = {Xuanbing Zhu and Dunbin Shen and Zhongwen Rao and Huiyi Ma and Yingguang Hao and Hongyu Wang},
journal= {arXiv preprint arXiv:2411.17770},
year = {2024}
}