ST-MTM：基于季节性-趋势分解的掩码时间序列模型

预测复杂时间序列是涉及众多工业应用的重要但具有挑战性的问题。最近提出了掩码时间序列建模以有效建模用于预测的时序依赖，通过从未掩码的序列中重建被掩码的片段来实现。然而，由于时间序列的语义信息涉及由多种时间序列组件生成的复杂时序变化，简单地对原始时间序列进行掩码会忽略其内在语义结构，可能导致 MTM 学习原始数据中存在的伪时序模式。为捕获不同的时序语义，我们表明掩码建模技术应通过分解方法来处理缠结的模式。具体而言，我们提出了具备季节性-趋势分解的掩码时间序列建模框架（ST-MTM），其中包括一种针对季节性-趋势组件的新颖掩码方法，该方法整合来自每个组件的不同时序变化。ST-MTM 采用季节性组件的周期掩码策略，以产生基于固有多周期性的多个掩码季节序列，并采用趋势组件的子序列掩码策略，以掩码共享类似变化的时序区域。所提出的掩码方法为学习复杂的时序变化和依赖提供了有效的预训练任务。此外，ST-MTM 引入对比学习任务以支持掩码建模，通过增强多个掩码季节表示之间的上下文一致性。实验结果表明，所提出的 ST-MTM 在现有掩码建模、对比学习和监督预测方法中持续实现优异的预测性能。