重访长期时间序列预测：关于线性映射的探究
机器学习
2026-05-19 v2 人工智能
摘要
引言：长期时间序列预测（LTSF）近年来受到显著关注。尽管存在多种用于捕捉时间依赖的专门设计，近期研究表明即便单一线性层也能取得有竞争力的性能。本文探究近期LTSF方法的内在有效性，并揭示了仿射映射的关键作用。材料与方法：我们在模拟与真实世界数据集上开展全面实验以分析最先进模型的组成部分，并提供理论分析解释仿射映射在周期信号预测中的工作机制。我们评估了可逆归一化与输入时域扩展对模型鲁棒性的影响。结果：我们发现（1）仿射映射在常用基准上主导预测性能，各模型从输入到输出学习到相似的转移矩阵；（2）仿射映射有效捕捉周期模式，但在非周期信号或跨通道周期变化的时间序列上表现不佳；（3）可逆归一化通过将非周期趋势转化为类周期模式显著增强了趋势预测；（4）增加输入时域可改善具有不同周期的多通道数据上的性能。代码见：\url{https://github.com/plumprc/RTSF}。结论：我们的发现为LTSF模型的工作机制提供了理论与实验洞见，凸显了线性方法的优势与局限。结果表明未来模型开发应聚焦于处理跨通道周期变化与非周期分量。
引用
@article{arxiv.2305.10721,
title = {Revisiting Long-term Time Series Forecasting: An Investigation on Linear Mapping},
author = {Zhe Li and Shiyi Qi and Yiduo Li and Zenglin Xu},
journal= {arXiv preprint arXiv:2305.10721},
year = {2026}
}