基于 Hahn Kolmogorov-Arnold 网络的时间序列预测
机器学习
2026-03-12 v2 机器学习
摘要
近期基于 Transformer 和 MLP 的模型在长期时间序列预测中展现出优异的性能，但 Transformer 仍受限于其二次复杂度与置换等变注意力机制，而 MLP 则表现出谱偏置。我们提出了 HaKAN，一种基于 Kolmogorov-Arnold Networks (KANs) 的通用模型，利用基于 Hahn 多项式的可学习激活函数，为多变量时间序列预测提供了一种轻量且可解释的替代方案。该模型集成了通道独立性、分块操作、带有残差连接的 Hahn-KAN 模块堆叠，以及由两个全连接层组成的瓶颈结构。Hahn-KAN 模块由块间和块内 KAN 层组成，以有效捕获全局和局部时间模式。在各种预测基准上的广泛实验表明，我们的模型持续优于近期最先进的方法，消融实验验证了其核心组件的有效性。
引用
@article{arxiv.2601.18837,
title = {Time series forecasting with Hahn Kolmogorov-Arnold networks},
author = {Md Zahidul Hasan and A. Ben Hamza and Nizar Bouguila},
journal= {arXiv preprint arXiv:2601.18837},
year = {2026}
}