U-Cast：用于高维时间序列预测的层次结构学习
机器学习
2025-09-30 v2
摘要
时间序列预测（TSF）是时间序列分析中的核心问题。然而，当时间序列数据集的通道数扩展到数千乃至更高时（我们定义为高维时间序列预测，HDTSF），这引入了显著的新建模挑战，而这些挑战往往并非传统TSF研究的主要关注点。HDTSF的挑战之处在于，通道相关性常形成复杂且层次化的模式。现有的TSF模型要么忽略这些相互作用，要么在维度扩大时难以扩展。为此，我们提出U-Cast，一种基于通道依赖的预测架构，通过创新的查询注意力机制学习潜在的层次化通道结构。为消解高度相关的通道表征，U-Cast在训练期间加入全秩正则化。我们还发布了Time-HD，首个大规模、多样化的高维数据集基准。我们的理论表明，利用跨通道信息可降低预测风险，实验在Time-HD上表明，U-Cast在准确率和效率方面均优于强大的基线。综上，U-Cast与Time-HD为未来的HDTSF研究提供了坚实的基础。
关键词
引用
@article{arxiv.2507.15119,
title = {U-Cast: Learning Hierarchical Structures for High-Dimensional Time Series Forecasting},
author = {Juntong Ni and Shiyu Wang and Zewen Liu and Xiaoming Shi and Xinyue Zhong and Zhou Ye and Wei Jin},
journal= {arXiv preprint arXiv:2507.15119},
year = {2025}
}
备注
Preprint; we release our code publicly at https://github.com/UnifiedTSAI/Time-HD-Lib