SEDformer：面向不规则遥测时间序列的事件同步脉冲变换器
机器学习
2026-02-04 v2 人工智能
摘要
来自大规模互联网连接系统（例如物联网部署和在线平台）的遥测流天然形成不规则多变量时间序列（IMTS），其准确预测在运营中至关重要。更深入的检查揭示了IMTS的一个决定性稀疏-事件二元性（SED）属性，即长时间的稀疏或无观测间隙被短而密集的脉冲所 punctuated，其中大部分语义事件（观测）发生。然而，现有的基于图和变换器的预测方法忽略了SED：预对齐到均匀网格的填充会破坏稀疏性，导致在非信息性步骤上的计算，而基于关系的重塑则通过破坏局部时间连续性削弱了事件语义。这些限制促使我们寻求一种更忠实且自然的IMTS建模范式，以其SED特性为指导。我们发现，脉冲神经网络满足这一要求，因为它们通过稀疏二进制脉冲进行通信，并以事件驱动方式更新，自然地与IMTS的SED本质相吻合。因此，我们提出了SEDformer，这是一种针对遥测IMTS预测的SED增强脉冲变换器，通过以下方式实现：（1）基于SED的脉冲编码器使用事件对齐LIF神经元将原始观测转换为事件同步脉冲；（2）事件保持时间下采样模块在保留关键放电的同时压缩长间隙；（3）一组SED-based脉冲变换器块启用基于EA-LIF脉冲特征的记忆细胞驱动的线性注意力，以进行序列内依赖建模。在公共遥测IMTS数据集上的实验表明，SEDformer在获取国际先进预测准确性的同时，降低了能源和内存使用，为IMTS建模提供了一条自然且高效的路径。
引用
@article{arxiv.2602.02230,
title = {SEDformer: Event-Synchronous Spiking Transformers for Irregular Telemetry Time Series Forecasting},
author = {Ziyu Zhou and Yuchen Fang and Weilin Ruan and Shiyu Wang and James Kwok and Yuxuan Liang},
journal= {arXiv preprint arXiv:2602.02230},
year = {2026}
}
备注
Under review