STM3：用于长期时空时间序列预测的多尺度 Mamba 混合模型
机器学习
2026-05-25 v3 人工智能
摘要
近年来，时空时间序列预测发展迅速，但现有的深度学习方法难以高效学习复杂的长期时空依赖关系。长期时空依赖学习带来了两个新挑战：1) 长期时间序列天然包含多尺度信息，难以高效提取；2) 来自不同节点的多尺度时间信息高度相关，难以建模。为了解决这些挑战，我们提出了时空多尺度 Mamba 混合模型（STM3）。STM3 在一个新颖的解耦混合专家框架内集成了多尺度 Mamba 架构，以高效捕获多样化的多尺度信息，同时利用自适应图因果网络来建模复杂的空间依赖关系。为了确保鲁棒的表征学习，我们引入了一种稳定的路由策略和一种因果对比学习策略，它们与层次化信息聚合协同工作，以保证尺度可区分性。我们从理论上证明了 STM3 实现了优越的路由平滑性，并保证了每个专家的模式解耦。在跨领域的 10 个真实世界基准上的大量实验证明了 STM3 的优越性能，在长期时空时间序列预测中取得了最先进的结果。值得注意的是，在 PEMSD8 数据集上，它取得了显著改进，在 MAE、RMSE 和 MAPE 上分别比第二好的模型高出 7.1%、8.5% 和 15.9%。代码可在 https://github.com/IfReasonable/STM3_KDD26 获取。
引用
@article{arxiv.2508.12247,
title = {STM3: Mixture of Multiscale Mamba for Long-Term Spatio-Temporal Time-Series Prediction},
author = {Haolong Chen and Liang Zhang and Zhengyuan Xin and Guangxu Zhu},
journal= {arXiv preprint arXiv:2508.12247},
year = {2026}
}
备注
Accepted by KDD 2026