TimeCapsule：基于压缩预测表示解谜长期时间序列预测之谜
机器学习
2025-05-26 v3 人工智能
信号处理
摘要
近期的深度学习模型用于长期时间序列预测（LTSF）往往强调复杂的人工设计，而诸如线性模型或 MLP 等 simpler 架构往往超越这些复杂解决方案。本文我们重新审视并梳理了诸多关键技术的核心思想，如冗余减少和多尺度建模，这些技术经常出现在高级 LTSF 模型中。我们的目标是为更高效的深度学习利用这些想法。为此，我们提出 TimeCapsule，一个围绕高维信息压缩原则构建的模型，将这些技术在一个通用且简化的框架中统一。具体而言，我们将时间序列建模为 3D 张量，包含时间、变量和水平维度，并利用模式生产捕获多模式依赖关系，同时实现维度压缩。我们提出一种内部预测机制，基于压缩表示域，支持联合嵌入预测架构（JEPA），以监控预测表示的学习。大量实验在具有挑战性的基准数据集上表明，我们方法的多样性，TimeCapsule 能够实现最先进的性能。
引用
@article{arxiv.2504.12721,
title = {TimeCapsule: Solving the Jigsaw Puzzle of Long-Term Time Series Forecasting with Compressed Predictive Representations},
author = {Yihang Lu and Yangyang Xu and Qitao Qing and Xianwei Meng},
journal= {arXiv preprint arXiv:2504.12721},
year = {2025}
}