迈向鲁棒的现实世界多变量时间序列预测：面向依赖、异步与缺失性的统一框架

现实世界的时间序列数据本质上是多变量的，通常表现出复杂的通道间依赖关系。每个通道通常以各自的周期进行采样，并因各种实际和运行约束而容易产生缺失值。这些特征带来了三个基本挑战，涉及通道依赖、采样异步性和缺失性，所有这些都必须同时解决，才能在实际环境中实现鲁棒可靠的预测。然而，现有架构通常仅孤立地解决这些挑战的部分问题，并且仍然依赖简化假设，使得异步通道采样、测试时缺失块和复杂的通道间依赖等组合挑战仍未得到解决。为了弥补这一差距，我们提出了 ChannelTokenFormer，这是一个基于 Transformer 的预测框架，具有灵活的架构，旨在显式捕捉跨通道交互、适应通道级异步采样，并有效处理缺失值。在反映实际环境的公开基准数据集以及一个私有真实工业数据集上的广泛实验，证明了 ChannelTokenFormer 在具有挑战性的现实世界条件下的优越鲁棒性和准确性。