高效多变量时间序列预测的时序查询网络
机器学习
2025-09-12 v2
摘要
充分建模变量（即通道）之间的相关性对于实现准确的多变量时间序列预测（MTSF）至关重要。本文提出了一种新型技术称为时序查询（TQ），更有效地捕获多变量相关性，从而提高 MTSF 任务中的模型性能。技术上，TQ 技术在注意力机制中使用周期偏移的可学习向量作为查询，以捕获全局跨变量模式，而键和值来自原始输入数据以编码局部、样本级相关性。基于 TQ 技术，我们开发了一个简单而高效的模型时序查询网络（TQNet），仅使用单层注意力机制和轻量级多层感知机（MLP）。大量实验表明，TQNet 能学习更稳健的多变量相关性，在 12 个具有挑战性的真实数据集上实现了状态最佳预测准确率。此外，TQNet 在高维数据集上也能实现与基于线性方法相当的高效性，在性能和计算成本之间取得平衡。代码已公开：https://github.com/ACAT-SCUT/TQNet。
引用
@article{arxiv.2505.12917,
title = {Temporal Query Network for Efficient Multivariate Time Series Forecasting},
author = {Shengsheng Lin and Haojun Chen and Haijie Wu and Chunyun Qiu and Weiwei Lin},
journal= {arXiv preprint arXiv:2505.12917},
year = {2025}
}
备注
ICML 2025