xLSTMTime：基于 xLSTM 的长期时间序列预测

近年来，基于 Transformer 的模型在多变量长期时间序列预测 (LTSF) 中取得了显著的进展，尽管面临着高计算需求、难以捕捉时间动态和管理长期依赖等挑战。LTSF-Linear 及其简单线性架构显著超越了基于 Transformer 的模型，促使人们重新评估 Transformer 在时间序列预测中的实用性。为此，本文提出了将最新架构称为扩展 LSTM (xLSTM) 用于 LTSF 的适应方案。xLSTM 融合了指数门控和修订的记忆结构，拥有更大的容量，具有良好的 LTSF 前景。我们采用的数据驱动方法称为 xLSTMTime，超过了当前的方法。我们将 xLSTMTime 的性能与多个真实数据集上的各种前沿模型进行了比较，展示了卓越的预测能力。我们的发现表明，精炼的循环网络架构在 LTSF 任务中可以为基于 Transformer 的模型提供具竞争力的替代方案， potentially 重新定义时间序列预测的格局。