SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion

多元时间序列预测在金融、交通管理、能源和医疗保健等领域中起着至关重要的作用。最近的研究强调了通道独立性对抗分布漂移的优势，但忽略了通道相关性，限制了进一步的改进。一些方法利用注意力或混合器等机制来解决这个问题，通过捕捉通道相关性，但它们要么引入过多的复杂性，要么过于依赖相关性在分布漂移下获得令人满意的结果，特别是在通道数量较多的情况下。为了解决这个问题，本文提出了一种高效的基于MLP的模型——Series-cOre Fused Time Series forecaster (SOFTS)，其中包括一个新颖的STar Aggregate-Dispatch (STAD)模块。与传统方法通过分布式结构（例如注意力）来管理通道交互不同，STAD采用集中策略。它将所有系列聚合成一个全局核心表示，然后将其分配和融合到各个系列表示中，以有效促进通道交互。SOFTS仅具有线性复杂度，却实现了优于现有最先进方法的性能。实验证明，STAD模块在不同的预测模型中具有广泛的适用性。为了进一步的研究和开发，我们已经将我们的代码公开在https://github.com/Secilia-Cxy/SOFTS。

解决多元时间序列预测中存在的通道相关性问题，提高对分布漂移的抵抗能力。

提出了一种基于MLP的时间序列预测模型SOFTS，其中包含一种新颖的STAD模块，采用集中式策略来处理通道相关性，通过聚合所有序列形成全局核心表示，然后将其分派和融合到各个序列表示中，有效促进通道交互。

实验结果表明，SOFTS在多个数据集上都优于现有的最先进方法，且具有线性复杂度。STAD模块在不同预测模型中具有广泛的适用性。研究者已将代码公开在GitHub上。

最近的相关研究包括：'A Transformer-based Approach for Multivariate Time Series Forecasting'，'Multivariate Time Series Forecasting with Hybrid Deep Learning Based on Autoencoder and RNN'等。