时间序列预测论文讲解-LightTS-[arXiv 2022]Less Is More: Fast Multivariate Time Series Forecasting with Light xx

研究背景与动机

多变量时间序列预测的挑战

• 复杂的时间模式： 多变量时间序列预测需要捕捉每个变量复杂的短期和长期时间模式，以及不同变量之间的复杂依赖关系。
• 计算成本高： 基于深度学习的复杂模型（如 RNNs, GNNs, Transformers）虽然在特定场景下表现出色，但计算成本高昂，难以处理大规模数据集和长序列预测任务。
• 数据饥饿： 复杂模型需要大量数据才能训练出鲁棒的模型，这在数据有限的情况下成为一大挑战。

简单模型的潜力

• 降采样信息保留： 时间序列数据的趋势、季节性和不规则性等特点使得降采样后仍能保留大部分信息。
• MLP 的优势： MLP 作为一种简单的神经网络结构，在处理时间序列数据时具有高效和可解释性等优势，且通过精心设计可以达到与复杂模型相当的性能。

模型和方法

下面展示的是LightTS的大体网络结构图。以DLinear为代表的算法使用季节趋势分解对时间序列进行一个分解，然后再进行预测。但是这篇论文给出一个新的思路。通过对时间序列进行不同方式的降采样策略对时间序列进行分解。

连续采样 (CS): 每次连续选择 C 个时间步长作为子序列，用于捕捉短期局部模式。
间隔采样 (IS): 每次以固定时间间隔采样 C 个时间步长作为子序列，用于捕捉长期全局模式。
总提来看，CS更像利于模型捕捉短期变化，IS更像利于模型捕捉长期变化。

在对序列经过分解之后，LightTS使用IEBlock对分解后的序列进行建模。

• 时序投影: 对每个子序列的每个时间步长应用 MLP，提取时序特征。
• 通道投影: 对每个