TimeSqueeze：高效时间序列预测的动态分块

基于Transformer的时间序列基础模型面临在分词选择上的根本性权衡：点级嵌入保留了时间保真性，但随序列长度而扩展不佳；固定长度分块提高了效率，通过强加统一边界实现，可能破坏自然过渡并模糊信息丰富的局部动态。为此，我们引入TimeSqueeze，一种基于局部信号复杂度自适应选择分块边界的动态分块机制。TimeSqueeze首先应用轻量级时序编码器提取全分辨率的点级特征，然后进行内容感知分段，将信息密集区域分配短分块，将平滑或冗余区域分配长分块。这种可变分辨率压缩保留了关键时间结构，同时大大减少了Transformer backbone呈现的标记序列。对于大规模预训练，TimeSqueeze在收敛速度上可达点标记基线的20倍，在数据效率上提升8倍。跨长期预测基准测试的实验表明，TimeSqueeze在使用点级分词或固定大小分块的 comparable architecture 中始终表现出色。