PAMNet：面向多变量时间序列预测的循环感知相位-幅度调制网络
机器学习
2026-05-06 v1 人工智能
摘要
可靠的周期模式是准确的多变量时间序列预测基础。然而，现有方法要么通过复杂的模型架构（如 Transformer）隐式提取周期性，计算开销高；要么忽略建模周期性组成部分时相位-幅度耦合的内在特性。为此，我们提出一种新颖的循环感知相位-幅度调制网络（PAMNet），显式分解周期模式为互补的相位和幅度组件。核心创新在于其双分支调制器，拥有专用的可学习相位位置嵌入和幅度调制嵌入。相位分支采用循环嵌入捕获相位相关均值偏移，而幅度分支建模强度变化以适应方差变化。轻量级调制器通过元素级融合高效组合这些组件，实现无需复杂注意力机制的显式相位-幅度相互作用建模。在十二个真实数据集上进行的广泛实验表明，通过 novel phase-amplitude 解耦机制，PAMNet 实现了最先进的性能，为时间序列预测中的循环建模提供了新视角。
引用
@article{arxiv.2605.02938,
title = {PAMNet: Cycle-aware Phase-Amplitude Modulation Network for Multivariate Time Series Forecasting},
author = {Yingbo Zhou and Yutong Ye and Zhiwei Ling and Shuhao Li and Rui Qian and Jian Xiong and Li Sun and Dejing Dou},
journal= {arXiv preprint arXiv:2605.02938},
year = {2026}
}