重新思考不规则时间序列预测：一个简单而有效的基线
机器学习
2025-11-18 v4
摘要
不规则多变量时间序列（IMTS）的预测在医疗、生物力学、气象科学和天文学等关键领域至关重要。然而，由于两个主要因素的挑战，实现准确且实用的预测困难重重。首先，由于不规则性和数据缺失，时间序列本身的不规则性使建模困难。其次，大多数现有方法通常复杂且资源密集。在本研究中，我们提出了一个通用框架称为 APN，以解决这些挑战。具体而言，我们设计了一种新颖的时序感知补丁聚合（TAPA）模块，实现自适应补丁划分。通过学习动态可调整的补丁边界和时序感知加权平均策略，TAPA 以通道无关的方式将原始不规则序列转换为高质量、规则化的表示。此外，我们使用简单的查询模块有效地整合历史信息，同时保持模型的高效。最后，通过浅层 MLP 进行预测。在多个真实数据集上的实验结果表明，APN 在效率和准确性方面均优于现有最先进方法。
引用
@article{arxiv.2505.11250,
title = {Rethinking Irregular Time Series Forecasting: A Simple yet Effective Baseline},
author = {Xvyuan Liu and Xiangfei Qiu and Xingjian Wu and Zhengyu Li and Chenjuan Guo and Jilin Hu and Bin Yang},
journal= {arXiv preprint arXiv:2505.11250},
year = {2025}
}