TSKANMixer：结合 MLP-Mixer 模型的 Kolmogorov-Arnold 网络用于时间序列预测
机器学习
2025-03-28 v2 人工智能
摘要
时间序列预测长期以来一直是经济学、能源、医疗保健和交通管理等不同领域研究的焦点。近期工作引入了创新的时间序列模型架构，例如时间序列混合器（TSMixer），它利用多层感知器（MLP）通过有效捕获数据中的空间和时间依赖性来提高预测精度。在本文中，我们通过使用 KAN 层修改 TSMixer（TSKANMixer），研究了 Kolmogorov-Arnold 网络（KAN）在时间序列预测中的能力。实验结果表明，与原始 TSMixer 相比，TSKANMixer 在多个数据集上倾向于提高预测精度，与其他时间序列方法相比，位列性能最佳的模型之列。我们的结果表明，通过替换或扩展传统的 MLP，KAN 是提高时间序列预测性能的有前途的替代方案。
引用
@article{arxiv.2502.18410,
title = {TSKANMixer: Kolmogorov-Arnold Networks with MLP-Mixer Model for Time Series Forecasting},
author = {Young-Chae Hong and Bei Xiao and Yangho Chen},
journal= {arXiv preprint arXiv:2502.18410},
year = {2025}
}
备注
8 pages, 4 figures, 7 tables and accepted at the AI4TS: AI for Time Series Analysis workshop, AAAI 2025