三阶段学习提升简单模型在长期时间序列预测中的性能
机器学习
2026-05-14 v1
摘要
近期研究表明，简单线性模型和MLP-based 预测器在长期时间序列预测中可实现卓越的性能，而无需日益复杂的架构。然而，许多竞争基准仍依赖于频域建模、显式分解、多尺度混合或复杂的跨变量交互模块，而对简单的时间映射应如何训练和组织关注较少。在本文中，我们提出STAIR（Stagewise Temporal Adaptation via Individualization and Residual Learning），一种用于长期时间序列预测的训练范式，旨在通过不引入复杂架构模块来释放简单时间映射模型的潜能。STAIR将预测能力分解为三个渐进阶段：首先通过共享的时间映射学习跨变量的常见时间动力学，然后通过按通道细调将共享模型适应每个变量，以捕获变量特定模式，最后通过残差学习补充跨变量信息。我们进一步引入了从共享到 individual 的细调和 alpha-RevIN，以缓解严格通道独立性和标准 RevIN 引起的过强归一化先验的局限性。该设计在保持核心时间预测器保持浅层MLP的主要实验中逐渐增加建模灵活性，同时线性变体在单独分析中得到探讨。在九个长期预测基准上的实验表明，STAIR在保持简单时间背bone的同时，匹配或超过了最近的强大基准，为长期时间序列预测提供了一个简洁且有效的建模视角。
引用
@article{arxiv.2605.13678,
title = {Three-Stage Learning Unlocks Strong Performance in Simple Models for Long-Term Time Series Forecasting},
author = {Zhenan Yu and Guangxin Jiang and Jin Yang},
journal= {arXiv preprint arXiv:2605.13678},
year = {2026}
}