StoxLSTM：一种用于时间序列预测的随机扩展长短期记忆网络
机器学习
2026-01-23 v2
摘要
扩展长短期记忆（xLSTM）网络在建模时间序列数据中复杂的长程依赖关系方面展现了强大的能力。尽管取得了成功，但 xLSTM 的确定性架构限制了其表征能力和预测性能，尤其是在以固有不确定性、随机性和复杂层次潜在动态为特征的挑战性现实世界时间序列数据集上。在这项工作中，我们提出了 StoxLSTM，一个在设计的空间建模框架内的随机 xLSTM，它将潜在随机变量直接集成到循环单元中，以有效建模深层潜在时间动态和不确定性。所设计的状态空间模型遵循一种高效的非自回归生成方法，无需对原始 xLSTM 架构进行复杂修改即可实现强大的预测性能。在公开基准数据集上的大量实验表明，StoxLSTM 持续优于最先进的基线模型，实现了卓越的性能和泛化能力。
引用
@article{arxiv.2509.01187,
title = {StoxLSTM: A Stochastic Extended Long Short-Term Memory Network for Time Series Forecasting},
author = {Zihao Wang and Yunjie Li and Lingmin Zan and Zheng Gong and Mengtao Zhu},
journal= {arXiv preprint arXiv:2509.01187},
year = {2026}
}