MFDR++：一种基于深度重构的强大且高效的多变量时间序列预测方法

《IEEE Access》：MFDR++: Robust and Efficient Multivariate Time Series Forecasting with Deep Reconstruction

　　

摘要：

最近在基于深度学习的多变量时间序列（MTS）预测领域取得的进展表明，增加模型复杂性并不一定能带来更好的预测准确性，这主要是由于在建模序列内部和序列之间的关系时存在不当的归纳偏差。为了解决这些问题，本文提出了MFDR++这一改进的预测框架，它通过改进序列内部的建模和基于统计的序列间依赖性学习，显著扩展了原始的MFDR。在序列内部建模方面，MFDR++采用了基于小波的多分辨率分析方法，并明确减轻了小波填充引入的边界失真。在重构损失中加入了一个可学习的高斯加权函数，以强调输入序列的末端部分，这对于确保输入序列与预测序列之间的连续性至关重要。在序列间建模方面，我们重新审视了Cucconi注意力机制，并发现其在高维潜在空间中的效率低下。为了克服这一限制，MFDR++将时间特征图转换为频域，并保留了主要的共享频谱成分，然后构建了一种新的Cucconi频谱注意力机制，从而更有效地捕捉序列间的关系。在八个基准数据集上的广泛实验表明，MFDR++在各种预测环境下都能持续表现出先进的性能，并提高了模型的鲁棒性。