NPMixer：面向时间序列预测的分层相邻 patch 混合
机器学习
2026-05-11 v1
摘要
多变量时间序列预测因局部时序动力学和跨变量的全局依赖关系的复杂性而具有挑战性。本文提出邻接 patch 混合器（NPMixer），一种具有可学习 stationary 小波变换的分层架构，适应性地学习滤波系数，将信号分解为数据依赖的趋势分量和细节分量。我们的框架引入邻接混合器模块，通过在非重叠 patch 上操作的系列分层 MLP 层捕获局部时序动力学。具体而言，混合器模块利用 MLP 在 patch 内外学习时序模式，扩大感受野以捕获多尺度依赖。应用通道混合编码器处理高频分量，以学习通道相关性同时保持底层全局趋势的稳定性。广泛的实验表明，NPMixer 在多个基准数据集上 consistently优于 state-of-the-art 模型，在 28 个评估实验 setup 中 20 个（71.4%）上取得更好 MSE 表现。
引用
@article{arxiv.2605.07476,
title = {NPMixer: Hierarchical Neighboring Patch Mixing for Time Series Forecasting},
author = {Jung Min Choi and Vijaya Krishna Yalavarthi and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:2605.07476},
year = {2026}
}