Time-SSM: Simplifying and Unifying State Space Models for Time Series Forecasting

最近几年，状态空间模型（SSMs）已成为序列建模任务中的强大工具。这些模型使用一组基函数逼近连续系统并离散化它们以处理输入数据，因此非常适合对从连续系统以特定频率收集的时间序列数据进行建模。尽管具有潜力，但SSMs在时间序列预测中的应用仍未得到充分探索，大多数现有模型将SSMs视为捕捉时间或通道依赖关系的黑盒子。为填补这一空白，本文提出了一个新的理论框架，称为动态谱算子，为应用SSMs于时间序列数据提供更直观和更普遍的指导。在我们的理论基础上，我们引入了Time-SSM，这是一种新颖的基于SSM的基础模型，与Mamba相比，参数只有其七分之一。各种实验验证了我们的理论框架以及Time-SSM的卓越性能。

本文旨在探讨如何将SSMs应用于时间序列数据的预测任务中，并提出了一种新的理论框架Dynamic Spectral Operator。

论文提出了一种新的理论框架Dynamic Spectral Operator，为将SSMs应用于时间序列数据的预测任务提供了更加直观和通用的指导。

本文提出了一种新的SSM-based模型Time-SSM，并在多个实验中验证了其良好的性能。实验使用了多个数据集，并且开源了代码。本文为SSMs在时间序列预测中的应用提供了新的思路。

最近的相关研究主要集中在SSMs在时间序列数据中的应用，例如：《A Non-Parametric Bayesian State Space Model for Unsupervised Multiple Change-Point Detection in Multi-Dimensional Time Series》、《Learning Multi-Channel Neural Decoders with Spectral State Space Models》等。