CAMP框架提出:周期感知多尺度补丁混合器,刷新六项长期预测基准最优MSE
摘要:arXiv最新论文提出CAMP,一种周期感知多尺度补丁混合器,用于时间序列预测。CAMP通过自适应周期学习模块为每个输入窗口独立识别主频,无需预设周期长度;通过地平线引导的补丁混合器实现位置相关的上下文细化;并通过时间对齐的多分辨率表示建模去周期残差。在七个长期预测基准上,CAMP在六个数据集上取得最佳平均MSE,在六个数据集上取得最佳或并列最佳MAE,并在四个PEMS交通基准的十六个设置中取得最高MSE胜场数。该工作为周期感知预测提供了新思路。
概述
时间序列预测在金融、交通、能源等领域具有重要应用。现实世界的时间序列往往受周期性模式支配,但其主导周期可能因数据集、预测设置和输入窗口而异。现有的周期感知预测器通常依赖数据集级别选择的单一周期,这在周期行为随时间变化或多个周期共存时具有局限性。此外,基于补丁的模型通常统一处理所有补丁位置,而距离预测边界较远的补丁可能需要更广泛的上下文细化,而近期补丁包含的信息应更直接地保留。去除周期行为后,剩余动态也可能跨越多个时间分辨率,无法在单一尺度上充分描述。
针对这些挑战,arXiv最新论文提出CAMP(Cycle-Aware Multi-Scale Patch Mixer),一种周期感知多尺度补丁混合器。
核心创新
自适应周期学习模块
CAMP的自适应周期学习模块为每个输入窗口独立识别主导频率,并生成历史和未来的周期分量,无需预定义周期长度。这使得模型能够适应随时间变化的周期行为,并处理多个周期共存的情况。
地平线引导的补丁混合器
CAMP引入地平线引导的补丁混合器,实现位置相关的细化:较早的补丁可以融入更广泛的时序上下文,而靠近预测边界的信息得以保留。这解决了传统补丁模型统一处理所有位置的问题。
多尺度残差建模
CAMP通过时间对齐的多分辨率表示对去周期残差进行建模,使不同尺度的互补动态能够在同一预测框架内被捕获。
实验结果
在七个长期预测基准上,CAMP取得了显著成果:
- 在六个数据集上取得最佳平均MSE;
- 在六个数据集上取得最佳或并列最佳MAE;
- 在四个PEMS交通基准的十六个设置中取得最高MSE胜场数。
这些结果证明了CAMP在周期感知预测中的有效性和鲁棒性。
行业影响与开发者建议
CAMP为时间序列预测提供了一种新的范式,尤其适用于周期模式复杂多变的场景。开发者可以借鉴其自适应周期学习、位置相关补丁混合和多尺度残差建模的思想,改进现有预测模型。该工作也为后续研究提供了新的基准和方向。
参考
- 论文链接:https://arxiv.org/abs/2608.04051
主题标签: #时间序列预测 #周期感知 #多尺度建模 #CAMP #深度学习
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区