xPatch：基于指数季节性-趋势分解的双流时间序列预测
机器学习
2025-02-12 v3 人工智能
摘要
近年来，基于转换器的时间序列预测模型受到广泛关注。虽然常常展现出有前景的成果，但转换器架构由于其注意力机制，在充分利用时间序列数据中的时序关系方面存在挑战。本文设计了指数补丁 (xPatch) ，一种新颖的双流架构，利用指数分解。灵感来自经典的指数平滑方法，xPatch 引入了创新的季节性-趋势指数分解模块。此外，我们提出了由基于多层感知机的线性流和基于卷积神经网络的非线性流组成的双流架构。该模型探讨了在非转换器模型中应用分块技术和通道独立性技巧的优势。最后，我们开发了稳健的反正切损失函数和 sigmoid 学习率调整方案，有助于防止过拟合并提升预测性能。该代码可在以下仓库获取：https://github.com/stitsyuk/xPatch。
引用
@article{arxiv.2412.17323,
title = {xPatch: Dual-Stream Time Series Forecasting with Exponential Seasonal-Trend Decomposition},
author = {Artyom Stitsyuk and Jaesik Choi},
journal= {arXiv preprint arXiv:2412.17323},
year = {2025}
}