时序预测中的多类型模型组合建模方案

发布于 2024-9-23 09:56

浏览

0收藏

时间序列建模中很多种类型的结构可以选择，比如Transformer、CNN、RNN，以及最近被验证有效的MLP、Mamba等结构。然而，不同模型都有特定的潜在优势和劣势。因此，现在越来越多的时序预测模型优化工作，采用了多模型组合的建模方式。

今天这篇文章，就给大家介绍一下多模型组合建模的核心思路，以及几篇近期发表的多模型组合时序预测工作，在一个模型中同时使用不同类型的模型结构，实现各个结构之间的优势互补。

1.早期模型组合建模方案

在Transformer应用到时间序列预测建模后，越来越多的模型组合方法被挖掘并应用。例如RNN+Transformer、CNN+Transformer等结构。这主要是因为Transformer和CNN、RNN等模型可以实现比较好的优势互补。Transformer的优势在于长周期的attention建模，但是由于其只通过位置编码获取时序关系，对时序建模的能力并不强。而RNN、CNN则比较擅长时序数据的处理，但是对于长周期的建模能力较弱。因此，RNN/CNN配合Transformer的建模方法逐渐走进研究者视野。

比如在Enhancing the Locality and Breaking the Memory Bottleneck of Transformer on Time Series Forecasting这篇文章中，在Transformer底层加一个CNN，利用CNN的序列建模能力让输入的时序样本点感知到上下文信息。Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting也是类似的思路，在Transformer底层加一个RNN，将RNN的序列建模能力和Transformer的长周期建模能力结合起来。

时序预测中的多类型模型组合建模方案-AI.x社区

除了CNN和RNN外，现在很多工作将MLP和Transformer结合在一起。MLP的作用和CNN非常相似，也是将单个样本点的信息，通过临近点的整体编码，形成语义更强的时序表征，再输入到后续Transfomrer模型中。PatchA Time Series is Worth 64 Words: Long-term Forecasting with Transformers中提出的PatchTST就是这个建模思路。

时序预测中的多类型模型组合建模方案-AI.x社区

2.近期模型组合新工作

接下来给大家介绍2篇近期的时间序列预测多模型组合工作。这两篇文章都融合了包括Transformer、CNN、RNN、Mamba、MLP等结构中的至少3个。

第一篇是Mamba or Transformer for Time Series Forecasting? Mixture of Universals (MoU) Is All You Need。这篇文章提出了一种多模型融合的建模方法，实现对时间序列长短期信息的综合利用。模型中引入了包括Mamba、Transformer、CNN等多种模型结构进行不同维度的时间序列信息抽取。

文中的核心优化点包括2个方面，一个是在底层时间序列的patch处理上进行了优化，另一个是模型结构上的多种结构融合思路。在patch处理上，将时间序列分成多个patch后，一般使用一个MLP进行映射，文中进一步使用MoA结构处理patch。MoA是一个多个子模块组成的patch信息处理器，每个子模块使用一个稀疏门控网络，对表征的部分元素进行激活。通过多组这种子模块的融合，每一组实现不同类型pattern的信息提取，最后加到一起，作为patch的表征。

在模型结构方面，整体是Mamba->FFN->CNN->Transformer的组织方式。Mamba用来提取时序相关的基础信息，FFN增加非线性，CNN扩大每个patch的视野，Transformer最终进行长周期的时间序列建模。

第二篇是PRformer: Pyramidal Recurrent Transformer for Multivariate Time Series Forecasting。这篇文章提出了一种融合Transformer、RNN、CNN的时间序列预测模型，其中RNN+CNN用来进行每个变量时间序列的时序维度编码，Transformer用来进行变量间关系的建模，类似iTransformer的形式。

文中的核心是RNN+CNN构建的层次时序编码网络。由于时间序列存在不同粒度的周期性，不同的粒度之间又存在关系着一定的关系。为了刻画这种多频率信息，文中采用了层次CNN的方式进行建模。对于每一层CNN，使用不同的kernel size和stride size，提取不同粒度的信息，并通过CNN起到了缩短序列长度的作用。

在进行每个层次的CNN编码后，每一层的CNN编码输入与上一层CNN编码融合后，输入到GRU中，利用GRU的时序建模能力编码每个粒度的序列。不同粒度的GRU编码结果最后通过加权融合的方式，生成每个变量时间序列的最终表征结果。

在得到单变量的时序表征后，Transformer进行变量间关系建模。将每个变量时间序列的表征看成是一个token，使用self-attention在变量维度计算相关性并进行融合，类似iTransformer中的方式。

时序预测中的多类型模型组合建模方案-AI.x社区