TSRM：面向时间序列预测与插值的轻量级时序特征编码架构
机器学习
2025-04-29 v1 人工智能
摘要
我们提出一种时序特征编码架构，称为时间序列表示模型（Time Series Representation Model, TSRM），用于 multivariate 时间序列的预测与插值。该架构围绕 CNN 构建的表示层展开，每个表示层独立负责一种表示学习任务，旨在捕获多样化的时序模式，随后接一个基于注意力的特征提取层和一个合并层，用于聚合提取的特征。该架构根植于受 Transformer 编码器启发的配置，核心嵌入自注意力机制。经验评估表明，TSRM 在七个主流基准数据集上在预测与插值任务中均优于最新方法，同时显著降低了可学习参数的复杂度。源码已公开于 https://github.com/RobertLeppich/TSRM。
引用
@article{arxiv.2504.18878,
title = {TSRM: A Lightweight Temporal Feature Encoding Architecture for Time Series Forecasting and Imputation},
author = {Robert Leppich and Michael Stenger and Daniel Grillmeyer and Vanessa Borst and Samuel Kounev},
journal= {arXiv preprint arXiv:2504.18878},
year = {2025}
}