TS2Vec-Ensemble：用于时间序列预测的增强自监督框架
机器学习
2025-12-01 v1
摘要
自监督表示学习，特别是通过对比方法如 TS2Vec，已推进了时间序列数据的分析。然而，这些模型在预测任务中常常不稳健，因为其目标函数侧重于实例判别，而非捕捉决定性模式（如季节性和趋势），这些模式对准确预测至关重要。本文引入 TS2Vec-Ensemble，一个新型混合框架，旨�弥合这一差距。我们的方法通过融合来自预训练 TS2Vec 编码器中隐式学习到的动力学与编码周期性循环的显式工程化时间特征来增强这种强大的动力学。这种融合通过双模型集成架构实现，其中两个不同的回归头——一个专注于学习到的动力学，另一个专注于季节性模式——采用自适应加权方案组合。集成权重针对每个预测时域独立优化，允许模型在需要时动态优先考虑短期动力学或长期季节性。我们在 ETT 数据集上进行大量实验，涵盖单变量和多变量预测。结果表明，TS2Vec-Ensemble 在所有基准上均显著优于标准 TS2Vec 基线和其他最先进模型，验证了我们假设：学习表示与显式时间先验的混合方法是长期时间序列预测的优越策略。
引用
@article{arxiv.2511.22395,
title = {TS2Vec-Ensemble: An Enhanced Self-Supervised Framework for Time Series Forecasting},
author = {Ganeshan Niroshan and Uthayasanker Thayasivam},
journal= {arXiv preprint arXiv:2511.22395},
year = {2025}
}