TimeEmb：轻量级时序序列 forecasting 的静态-动态解耦框架
机器学习
2025-10-21 v2 人工智能
摘要
时序非平稳性——即时间序列分布随时间变化的现象——对可靠的时间序列预测构成根本性挑战。直观地，复杂的时间序列可分解为两个因素，即不随时间变化的部分和随时间变化的部分，分别指示静态模式和动态模式。然而，现有方法往往会混合时变和不变部分，联合学习组合的长期模式和短期波动，导致在分布迁移情境下表现不佳。为解决此问题，我们首次提出一种轻量级静态-动态解耦框架，名为 TimeEmb，用于时间序列预测。TimeEmb 创新性地将时间序列分为两个互补组成部分：(1) 不变部分，通过一种新颖的全局嵌入模块学习跨时间序列的持久表示；(2) 变化部分，采用受信号处理中全谱分析启发的高效频域滤波机制加以处理。在真实数据集上的实验表明，TimeEmb 优于最先进的基线方法，同时所需计算资源更少。我们进行了全面的定量和定性分析，以验证静态-动态解耦的有效性。该轻量框架可通过简单集成来提升现有时间序列预测方法。为便于复现，代码已公开于 https://github.com/showmeon/TimeEmb。
引用
@article{arxiv.2510.00461,
title = {TimeEmb: A Lightweight Static-Dynamic Disentanglement Framework for Time Series Forecasting},
author = {Mingyuan Xia and Chunxu Zhang and Zijian Zhang and Hao Miao and Qidong Liu and Yuanshao Zhu and Bo Yang},
journal= {arXiv preprint arXiv:2510.00461},
year = {2025}
}