XLinear：一种用于带外生输入的长期时间序列预测的轻量级且准确的基于MLP的模型
机器学习
2026-03-24 v1
摘要
尽管长期时间序列预测模型中普遍假设变量重要性是均匀的，但实际应用通常表现出不对称的因果关系和不同的数据获取成本。具体而言，具有成本效益的外生数据（例如，当地天气）可以单方面影响内生变量的动态，如湖面温度。当外生输入 readily available 时，利用这些联系可以实现更有效的预测。基于Transformer的模型能够捕获长程依赖关系，但计算成本高且存在排列不变性问题。基于分块的变体提高了效率，但可能遗漏局部时间模式。为了有效地利用时间维度和相关外生变量中的信息信号，本研究提出了XLinear，一种基于多层感知机（MLP）构建的轻量级时间序列预测模型。XLinear使用从内生变量导出的全局token作为与外生变量交互的关键枢纽，并采用具有sigmoid激活的MLP来提取时间模式和变量间依赖关系。其预测头随后整合这些信号以预测内生序列。我们在七个标准基准和五个带有外生输入的真实世界数据集上评估了XLinear。与SOTA模型相比，XLinear在受外生输入影响的多变量预测和单变量预测中均提供了卓越的准确性和效率。
引用
@article{arxiv.2601.09237,
title = {XLinear: A Lightweight and Accurate MLP-Based Model for Long-Term Time Series Forecasting with Exogenous Inputs},
author = {Xinyang Chen and Huidong Jin and Yu Huang and Zaiwen Feng},
journal= {arXiv preprint arXiv:2601.09237},
year = {2026}
}
备注
Accepted by AAAI 2026