网站内容及功能模块设计售卖链接

 

🧀当我们面对复杂模式和多变周期的应用场景（比如金融市场分析）时，采用多尺度时间序列来做分析和预测是个更好的选择。 

🧀这是因为：传统时序方法通常只用固定时间窗口来提取信息，难以适应不同时间尺度上的模式变化。但多尺度时间序列通过调整时间分辨率和距离，不仅能捕捉到时序的局部细节，还能把握其长期趋势和周期性变化。这就大大提升了模型对新数据集的适应性和不同应用场景迁移能力，让我们能够实现更精确的时间序列预测。  

🧀举个比较热门的例子：Pathformer。 Pathformer结合了时间分辨率和时间距离的概念，采用自适应Pathways来根据输入时序的时间特征动态提取和聚合多尺度特征，取得了SOTA预测效果。  

🧀除此之外，研究者们已经开发了很多创新的多尺度时间序列方案，我挑选了最新的10篇给各位作参考，开源代码贴心附上，欢迎各位讨论~

 

我还整理出了相关的论文+开源代码，以下是精选部分论文

 

 

论文1

标题：

A Multi-Scale Decomposition MLP-Mixer for Time Series Analysis

用于时间序列分析的多尺度分解MLP-Mixer

方法：

• 多尺度分解：提出一种多尺度分解方法，将输入时间序列分解为多个不同层次的子序列，通过不同层的MLP-Mixer学习不同时间尺度的特征。

• 多尺度时间分块：将时间序列沿时间维度划分为非重叠的多尺度分块，不同层使用不同大小的分块来捕捉不同时间尺度的模式。

• MLP模块：在不同维度（通道、分块内和分块间）使用MLP模块，捕获通道间相关性、分块内变化和分块间变化。

• 残差损失：提出一种新的残差损失函数，约束分解残差的均值和自相关性，以提高分解的完整性。

创新点：

• 多尺度分解：通过多尺度分解，模型能够更好地捕捉时间序列中复杂的多尺度时间变化模式，显著提升了时间序列分析任务的性能，例如在长期预测任务中，MSE最高降低了9.8%。

• 多尺度时间分块：多尺度时间分块方法允许模型专注于不同时间尺度的特征学习，提高了模型对不同时间尺度模式的建模能力，例如在短期预测任务中，OWA最高降低了5.6%。

• 残差损失：残差损失函数的引入有效约束了分解残差，使得模型能够更彻底地分解时间序列数据，从而在预测任务中取得了更好的结果，例如在异常检测任务中，F1分数最高提升了33.1%。

 

论文2

标题：

MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting

MSGNet：学习多变量时间序列预测中的多尺度序列间相关性

方法：

• 频率域分析：利用快速傅里叶变换（FFT）提取时间序列的显著周期模式，并将时间序列分解为不同时间尺度。

• 自适应图卷积：引入自适应混合跳图卷积层，动态学习每个时间尺度上的序列间相关性。

• 多头注意力机制：结合多头注意力机制捕捉时间序列的内部依赖性。

• 多尺度模块：通过多个ScaleGraph块，对不同时间尺度的序列进行建模和聚合。

创新点：

• 多尺度建模：通过频率域分析和多尺度建模，MSGNet能够捕捉不同时间尺度上的序列间相关性，显著提升了多变量时间序列预测的准确性，例如在ETTh1数据集上，MSE降低了30.2%，MAE降低了33.1%。

• 自适应图卷积：自适应图卷积层能够动态学习序列间的复杂相关性，提高了模型对不同时间尺度模式的建模能力，使得模型在不同数据集上均表现出色。

• 多头注意力机制：结合多头注意力机制，MSGNet能够更好地捕捉时间序列的内部依赖性，进一步提升了预测性能，例如在ETTm2数据集上，MSE降低了26.5%，MAE降低了29.4%。

 

论文3

标题：

Breaking the Context Bottleneck on Long Time Series Forecasting

打破长序列时间序列预测中的上下文瓶颈

方法：

• 多尺度分解：提出Logsparse Decomposable Multiscaling（LDM）框架，通过多尺度分解将时间序列分解为不同尺度的子序列。

• Logsparse Scale：引入Logsparse Scale，通过稀疏化处理减少长序列输入的过拟合问题，增强模型对长上下文的处理能力。

• Transformer预测器：结合传统的Transformer预测器和多尺度分解，提高长序列预测的准确性和效率。

• 多尺度去噪：通过多尺度去噪机制，进一步清理扩散后的目标时间序列，提高预测精度。

创新点：

• 多尺度分解：通过多尺度分解，LDM能够有效处理长序列时间序列预测中的非平稳性和复杂模式，显著提升了预测性能，例如在ETTh1数据集上，MSE降低了11.7%，MAE降低了13.7%。

• Logsparse Scale：Logsparse Scale的引入有效减少了长序列输入的过拟合问题，使得模型能够更好地处理长上下文，例如在ETTm2数据集上，MSE降低了12.1%，MAE降低了13.9%。

• 多尺度去噪：多尺度去噪机制进一步提高了预测精度，使得模型在长序列预测任务中表现出色，例如在ETTh2数据集上，MSE降低了13.1%，MAE降低了14.2%。

 

论文4

标题：

Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement

基于扩散、去噪和解耦的生成式时间序列预测

方法：

• 双向变分自编码器（BVAE）：提出一种双向变分自编码器，用于生成时间序列的潜在表示。

• 耦合扩散概率模型：通过耦合扩散过程，同时增强输入和目标时间序列，减少数据的随机不确定性。

• 多尺度去噪分数匹配：引入多尺度去噪分数匹配机制，进一步清理扩散后的时间序列，提高预测精度。

• 解耦潜在变量：通过最小化总相关性，解耦潜在变量，提高模型的可解释性和稳定性。

创新点：

• 耦合扩散概率模型：通过耦合扩散过程，模型能够有效减少时间序列的随机不确定性，显著提升了预测性能，例如在Traffic数据集上，MSE降低了90%，CRPS降低了73%。

• 多尺度去噪分数匹配：多尺度去噪分数匹配机制进一步提高了预测精度，使得模型在不同数据集上均表现出色，例如在Electricity数据集上，MSE降低了71%，CRPS降低了31%。

• 解耦潜在变量：通过解耦潜在变量，模型的可解释性和稳定性得到了显著提升，例如在ETTh1数据集上，MSE降低了40%，CRPS降低了27%。