释放线性网络在不规则多变量时间序列预测中的潜力
机器学习
2025-05-02 v1
摘要
时间序列预测在金融、交通、能源、医疗和气候等各个行业具有重要意义。尽管线性网络因其低计算成本和在建模时间依赖性方面的有效性而被广泛使用，但现有研究大多集中在规则采样且完全观测的多变量时间序列上。然而，在实际应用中，我们经常遇到以可变采样间隔和缺失值为特征的不规则多变量时间序列。此类数据固有的序列内不一致性和序列间异步性，阻碍了依赖静态权重的传统线性网络进行有效建模和预测。为了应对这些挑战，本文提出了一种名为 AiT 的新模型。AiT 采用自适应线性网络，能够根据观测时间点动态调整权重以解决序列内不一致性问题，从而提高时间依赖性建模的准确性。此外，通过在变量语义嵌入上结合 Transformer 模块，AiT 高效地捕获了变量相关性，避免了序列间异步性的挑战。在四个基准数据集上的综合实验证明了 AiT 的优越性，与现有 SOTA 方法相比，预测准确率提高了 11%，运行时间减少了 52%。
引用
@article{arxiv.2505.00590,
title = {Unlocking the Potential of Linear Networks for Irregular Multivariate Time Series Forecasting},
author = {Chengsen Wang and Qi Qi and Jingyu Wang and Haifeng Sun and Zirui Zhuang and Jianxin Liao},
journal= {arXiv preprint arXiv:2505.00590},
year = {2025}
}