SOFTS：基于 Series-Core 融合的高效多变量时间序列预测

多变量时间序列预测在金融、交通、能源和医疗等诸多领域发挥着关键作用。近期研究强调了通道独立性有助于抵御分布漂移，但忽略了通道间的相关性，限制了进一步的提升。一些方法利用注意力或混合器等机制来捕捉通道相关性，但要么引入过多复杂性，要么过度依赖相关性以在分布漂移情境下取得满意结果，尤其当通道数量较大时。为填补这一空白，本文提出一种高效的基于 MLP 的模型，称为 Series-cOre Fused Time Series forecaster (SOFTS)，其包含一种新颖的 STar Aggregate-Redistribute (STAR) 模块。与传统通过分布式结构（如注意力）管理通道相互作用的方法不同，STAR 采用集中策略以提高效率并减少对每个通道质量的依赖。它将所有时间序列聚合以形成全局核心表示，然后将其分配和与各自的时间序列表示融合，以有效促进通道间的相互作用。SOFTS 在仅线性复杂度下实现了优于现有最先进方法的卓越性能。STAR 模块在不同预测模型中的广泛适用性也得到了实证验证。为进一步的研究与开发，我们已公开代码 https://github.com/Secilia-Cxy/SOFTS。