MCformer: Multivariate Time Series Forecasting with Mixed-Channels Transformer

大规模物联网设备生成的时间序列数据的数量巨大，需要探索更有效的多变量时间序列预测模型。在以前的模型中，主要使用了通道依赖（CD）策略（其中每个通道代表一个单变量序列）。当前最先进的（SOTA）模型主要依赖于通道独立（CI）策略。CI策略将所有通道视为单个通道，扩展数据集以提高泛化性能，并避免干扰长期特征的通道间相关性。然而，CI策略面临着通道间相关性遗忘的挑战。为了解决这个问题，我们提出了一种创新的混合通道策略，将CI策略的数据扩展优势与抵消通道间相关性遗忘的能力相结合。基于这个策略，我们引入了MCformer，一个具有混合通道特征的多变量时间序列预测模型。该模型混合了特定数量的通道，利用注意机制在建模长期特征时有效捕捉通道间相关信息。实验结果表明，混合通道策略在多变量时间序列预测任务中优于纯CI策略。

本篇论文旨在探索更有效的多变量时间序列预测模型，以解决大规模物联网设备生成的时间序列数据的问题。具体而言，论文试图解决通道独立策略（CI）面临的通道间相关性遗忘问题。

论文提出了一种创新的混合通道策略，结合CI策略的数据扩展优势和抵消通道间相关性遗忘的能力。基于此策略，论文提出了MCformer，一种多变量时间序列预测模型，具有混合通道特征。

论文的实验结果表明，混合通道策略在多变量时间序列预测任务中优于纯CI策略。论文使用了公开数据集，并在实验中展示了MCformer的性能。此外，论文还提供了开源代码。

最近的相关研究包括：1. 'Deep Factors for Forecasting' 2. 'Multivariate Time Series Forecasting with Deep Learning: A Survey' 3. 'Time Series Forecasting with Deep Learning: A Systematic Review and Meta-Analysis'等。