PhaseFormer：从补丁到相位实现高效且有效的时间序列预测
机器学习
2025-10-07 v1 人工智能
摘要
周期性是时间序列数据的基本特征，长期以来在预测中发挥着核心作用。最近的深度学习方法通过将补丁作为基本标记来加强对周期性的利用，从而提高预测效果。然而，这些方法的效率仍是一个瓶颈，由于参数数量大和计算成本高。本文首次提供了清晰的解释，说明补丁级处理本质上效率低下的原因，并通过来自真实世界数据的强有力证据加以支持。为解决这些限制，我们引入相位视角来建模周期性，并提出一种高效且有效的解决方案PhaseFormer。PhaseFormer通过紧凑的相位嵌入实现相位级预测，通过轻量级路由机制实现高效的跨相位交互。广泛的实验表明，PhaseFormer在多个基准数据集上实现了最先进的性能，仅需约1k参数。值得注意的是，在大规模和复杂数据集上，PhaseFormer表现突出，而那些具有相似效率的模型往往难以做到这一点。这一工作标志着向真正高效且有效的时间序列预测迈出了重要一步。代码已在本存储库提供：https://github.com/neumyor/PhaseFormer_TSL
引用
@article{arxiv.2510.04134,
title = {PhaseFormer: From Patches to Phases for Efficient and Effective Time Series Forecasting},
author = {Yiming Niu and Jinliang Deng and Yongxin Tong},
journal= {arXiv preprint arXiv:2510.04134},
year = {2025}
}