ACMMM2025 |TGSI+SATL：不改模型架构也能提升预测性能，破解几何结构评估与建模难题！
本篇论文来自ACM MM2025，最新前沿时序技术~针对时间序列预测中的几何结构，提出了两大方案，在长序列预测中表现突出，为时间序列的 “结构感知建模” 提供新范式。
重新整理以及补充了2025顶会时序合集，整合了更完整的“2025顶会时序合集”，包含论文及代码，无偿分享给大家~需要的可以在宫🀄蚝“时序大模型”回复“资料”自取就行~
文章信息
论文名称：Towards Measuring and Modeling Geometric Structures in Time Series Forecasting via Image Modality
论文作者：Mingyang Yu、Xiahui Guo、Peng Chen、Zhenkai Li、Yang Shu
研究背景
时间序列预测在天气、金融、交通等领域至关重要，但其核心挑战在于传统评估指标（如 MSE、MAE）仅关注数值准确性，无法捕捉时间序列的几何结构（如趋势、周期性、形状相似性）。例如，两个 MSE 相同的序列可能存在完全不同的几何特征。此外，动态时间规整（DTW）等方法虽尝试考虑结构，但仍依赖时间维度，难以充分捕捉几何信息；而图像域的结构相似性指标（如 SSIM）无法直接适配时间序列数据，形成研究缺口。
因此，文章提出了两大方案，以解决上述问题。
模型框架
针对上述问题，文章提出了 “评估指标 + 损失函数” 的双解决方案，实现几何结构的量化与建模。
时间序列几何结构指数（TGSI）：几何结构评估指标
TGSI 通过将时间序列转化为图像，量化其几何结构相似性，弥补传统指标的不足。
时间序列 - 图像转换：
归一化时间序列数据，确保强度一致性；
图像横轴为时间、纵轴为序列可能取值，每个时间点的数值对应图像中 “激活像素” 的垂直位置；
垂直扩展激活像素（形成梯度效果，亮度随距离原像素增加而降低），既提升对微小数值 / 时间偏差的鲁棒性，又避免稀疏表示导致的结构信息丢失。
TGSI 计算：取值范围为 - 1~1（值越高，结构相似度越高），由亮度分量和协方差分量乘积构成（舍弃 SSIM 的对比度分量，因垂直扩展已固定纵轴方差，且时间维度方差与亮度强耦合）：
亮度分量（l (x,y)）：通过像素均值衡量图像亮度一致性，反映时间序列数值的概率分布；
协方差分量（s (x,y)）：通过像素协方差和标准差衡量结构相关性，计算前先下采样以聚焦几何结构而非强度梯度。
效果验证：当TGSI (y,x₁)=0.5212，TGSI (y,x₂)=0.2080，可有效区分几何结构差异，而 MSE 无法区分。
形状感知时间损失（SATL）：几何结构建模损失函数
由于 TGSI 依赖非可微的图像转换，无法直接用于训练，因此设计 SATL，在时间序列模态下捕捉几何结构，且可 “即插即用” 于现有模型（无需修改架构）。SATL 包含三个互补组件，结合 MSE 形成最终训练损失：
一阶差异损失（ℒ_diff）：计算预测与真实序列的一阶差分 MSE，聚焦局部趋势与形状一致性（如垂直偏移的相似序列仍能被判定为结构相似）；
频域损失（ℒ_freq）：通过快速傅里叶变换（FFT）捕捉周期性：
保留真实序列的 Top-k 主导频率，最小化预测与真实的主导频率差异（ℒ_dom）；
抑制非主导频率（视为噪声），最小化预测的非主导频率幅度（ℒ_noise）；
整体通过序列长度平方根归一化，平衡不同长度序列的损失权重。
感知特征损失（ℒ_perceptual）：通过两阶段训练，让时间序列特征对齐图像几何特征：
阶段 1：训练时间序列图像自编码器，冻结编码器（f_enc）以提取图像几何特征；
阶段 2：训练时间特征提取器（Transformer + 两层 MLP），最小化其输出与 f_enc 提取的图像特征差异，使时间特征包含几何信息；
训练时，计算预测与真实序列通过时间特征提取器后的 MSE，即为感知损失。
最终损失：ℒ_total = αℒ_diff + βℒ_freq + γℒ_perceptual + δMSE（α、β、γ、δ 为超参数，平衡结构与数值准确性）。
实验数据
基线模型：TimeMixer、PatchTST、TimesNet、Autoformer（覆盖不同架构，验证 SATL 通用性）；
数据集：8 个公开时间序列数据集（ETTh1/2、ETTm1/2、Weather、Exchange、Electricity、ILI），涵盖不同场景与时间模式；
评估指标：MSE（数值准确性）、MAE（数值准确性）、TGSI（几何结构）；
超参数：多数数据集固定 α=0.2、β=0.2、γ=0.1、δ=0.5，少数通过验证集调整；图像转换固定高度 200 像素，垂直扩展 d=100 像素。
重点实验数据
性能提升：所有数据集与模型中，SATL 训练的模型在 MSE、MAE、TGSI 上均优于 MSE 训练，且无额外推理成本。例如：
ETTh2 数据集 MSE 平均提升 5.20%；
Autoformer 模型 TGSI 平均提升 2.96%；
PatchTST 在 Exchange 数据集上超越原性能更优的 TimeMixer。
与其他损失对比：在 TimeMixer（ETTh2）和 PatchTST（Exchange）上，SATL 的 MSE 最低、TGSI 最高，优于 MSE、MAE、RMSE、TILDE-Q（仅考虑形状但无法提取图像几何特征）。
消融实验：移除 SATL 任一组件（或 MSE）均导致性能下降，尤其移除 MSE 后下降显著，说明数值准确性是结构建模的基础；且长期预测（如 720 步）中，SATL 组件的作用更突出，验证其在长序列预测中的优势。
TGSI 有效性验证：垂直扩展长度 d 越大，TGSI 与序列相似度的 Pearson 相关系数越高（d=100 时 r=0.95，d=0 时 r=-0.1），证明垂直扩展对 TGSI 捕捉几何结构的必要性。
小小总结
文章针对时间序列预测中传统指标（如 MSE）无法评估几何结构的问题，提出两大核心方案：一是 TGSI 指标，将时间序列转为图像后，通过亮度和协方差分量量化几何结构相似度，弥补传统指标缺陷；二是 SATL 损失函数，在时间序列模态下，以一阶差异损失保结构、频域损失抓周期、感知特征损失对齐图像几何特征，结合 MSE 平衡数值与结构准确性。为结构感知的时间序列预测提供新方法。
关注小时，前沿时序一手知！