Time-TK：结合 Transformer 和 Kolmogorov-Arnold 网络的多偏移时序互动框架用于时间序列预测
机器学习
2026-02-13 v1 人工智能
摘要
时间序列预测对于世界大网（World Wide Web）至关重要，是确保现代 web 服务（如智能交通和网站吞吐量）稳定高效运行的核心技术挑战。然而，我们发现现有方法通常采用将每个时间步嵌入为独立 token 的策略。这种范式在处理长序列时引入了根本性的信息瓶颈，其根本原因在于独立的 token 嵌入破坏了序列中一种关键结构——我们称之为多偏移时序相关性。这指的是跨越不同时间步的序列中嵌入的细粒度依赖，尤其在规律的 Web 数据中更为常见。为根本性地解决此问题，我们提出了一种新的时序嵌入视角。我们提供了 token 嵌入近似重构性能的上界，这指导我们设计一种简洁而有效的多偏移时序嵌入方法，以缓解标准 token 嵌入所导致的性能下降。进一步地，我们的 MOTE 可以集成到各种现有模型中，并作为通用的构建模块。基于此范式，我们进一步设计了一个新的预测架构，称为 Time-TK。该架构首先利用多偏移交互 KAN 来学习和表示来自多个偏移子序列的特定时序模式。随后，它采用高效的多偏移时序互动机制来有效捕获这些子序列之间的复杂依赖，实现全局信息集成。在覆盖交通流量和 BTC/USDT 吞吐量等领域的 14 个真实世界基准数据集上的广泛实验表明，Time-TK 在所有基准模型之上显著优异，实现了最先进的预测准确率。
引用
@article{arxiv.2602.11190,
title = {Time-TK: A Multi-Offset Temporal Interaction Framework Combining Transformer and Kolmogorov-Arnold Networks for Time Series Forecasting},
author = {Fan Zhang and Shiming Fan and Hua Wang},
journal= {arXiv preprint arXiv:2602.11190},
year = {2026}
}