Numerion：基于多复合模型的时间序列预测
机器学习
2025-10-07 v1 人工智能
摘要
许多方法致力于通过复杂的模型结构和先验知识分解时间序列以提升预测效果，但不可避免地受到计算复杂度和假设鲁棒性的限制。我们的研究发现，在复数域和更高阶复合空间中，时间序列的特征频率自然会降低。基于这一洞见，我们提出了Numerion——一个基于多个复合空间的时间序列预测模型。具体而言，基于理论依据，我们将线性层和激活函数推广到任意二的幂维度的复合空间，并引入一种新型的实数-复合-实数域多层感知器架构（Real-Hypercomplex-Real Domain Multi-Layer Perceptron, RHR-MLP）。Numerion利用多个RHR-MLP将时间序列映射到不同维度的复合空间，从而实现自然的分解和独立建模，并通过动态融合机制适应性地融合不同空间中所呈现的潜在模式。实验验证了该模型的性能，在多个公开数据集上实现了最先进的效果。可视化和定量分析全面展示了多维RHR-MLP自然分解时间序列的能力，以及更高维复合空间捕获低频特征的倾向性。
引用
@article{arxiv.2510.03251,
title = {Numerion: A Multi-Hypercomplex Model for Time Series Forecasting},
author = {Hanzhong Cao and Wenbo Yan and Ying Tan},
journal= {arXiv preprint arXiv:2510.03251},
year = {2025}
}