重温不规则多变量时间序列预测的标准预对齐
机器学习
2025-12-02 v2
摘要
不规则多变量时间序列 (IMTS) 因采样不均匀及变量间异步等特点，广泛应用于预测领域，但建模效率仍是挑战。标准预对齐 (CPA) 通过在每个全局时间戳填充零值来实现变量间异步化和序列长度统一，这虽缓解了变量间异步问题，但稠密零填充会导致预对齐序列长度膨胀，尤其当变量数量众多时，计算开销巨大。近期基于图的模型通过分块策略规避了 CPA，但其局部消息传递难以捕获全局变量间相关性。因此，我们认为应保留 CPA，通过模型妥善处理预对齐序列，以超越目前规避 CPA 的最先进图模型。技术上，我们提出 KAFNet，一个基于 CPA 的紧凑架构，用于 IMTS 预测，包含 (1) 预卷积模块实现序列平滑与稀疏性缓解，(2) 时间核聚合模块实现可学习压缩与序列内部不规则性建模， (3) 频率线性注意力模块实现低成本的跨序列相关性建模。多项 IMTS 数据集实验表明，KAFNet 实现了最先进的预测性能，参数减少 7.2 倍，训练推理加速 8.4 倍。
引用
@article{arxiv.2508.01971,
title = {Revitalizing Canonical Pre-Alignment for Irregular Multivariate Time Series Forecasting},
author = {Ziyu Zhou and Yiming Huang and Yanyun Wang and Yuankai Wu and James Kwok and Yuxuan Liang},
journal= {arXiv preprint arXiv:2508.01971},
year = {2025}
}
备注
Accepted by AAAI 2026