ICLR’25高分！多尺度时间序列全面升级！超越Transformer，8项任务全面领先

MIT等华人团队最近新提出了TimeMixer++，一种创新的时间序列分析模型，通过多尺度和多分辨率的方法，有效捕捉时序中的复杂模式，在多个任务上全面超越了当前最先进的Transformer模型。

这种 多尺度时间序列 的处理方式是其核心创新之一， 也是 时间序列近两年的一个核心研究点。 在如今复杂多变的市场模式下，比起传统的时序方法，多尺度时间序列可以更好的面对时序数据的周期性变化，在 提升模型性能、增强泛化能力 和实际应用效果方面更胜一筹。

因此，关于多尺度时间序列的研究也会是2025年的重点，本文挑选了 最新的、高质量的 12篇 论文 ，代码基本都有，大家需要参考的可以直接拿，整理不易，点个赞支持下~

扫码添加小享， 回复“ 多时序 ”

免费获取 全部论文+开源代码

TIMEMIXER++: A GENERAL TIME SERIES PATTERN MACHINE FOR UNIVERSAL PREDICTIVE ANALYSIS

方法： 本文提出了一种名为TIMEMIXER++的通用时间序列模式机，通过多尺度混合、多分辨率混合等策略，解决传统时间序列模型难以捕捉普适性模式的问题，展示其在多种时间序列分析任务中的显著性能提升。

创新点：

• 提出了一种新的灵活方法，利用双轴注意力在潜在空间中直接解开季节性和趋势。
• 引入了多尺度、多分辨率分析框架，促进了不同尺度和分辨率之间的层次交互与整合。
• TIMEMIXER++作为一种通用的时间序列模式机，展示了卓越的表示能力和广泛的应用潜力。

Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting

方法： 论文提出了一种新的多尺度时间序列建模方法AMD，通过分解和自适应整合不同尺度的时间模式，有效解决了传统方法在复杂时间序列预测中的局限性。这种方法在效率和准确性上都取得了显著的提升，为时间序列预测领域提供了新的思路。

创新点：

• 通过提出自适应多尺度分解（AMD）框架，在时间序列分析中实现了一种新颖的多尺度分解方法。
• 引入自适应多预测合成（AMS）模块，通过使用一种专家混合结构设计不同的预测器来处理不同的时间模式，从而提升了预测的准确性和泛化能力。
• 通过双重依赖交互（DDI）模块，作者在整合的多尺度信息中同时建模了时间和通道依赖性。

扫码添加小享， 回复“ 多时序 ”

免费获取 全部论文+开源代码

Multi-scale Restoration of Missing Data in Optical Time-series Images with Masked Spatial-Temporal Attention Network

方法： 论文提出了一种基于深度学习的多尺度时间序列恢复方法，通过掩码时空注意力机制和多目标联合优化，有效地恢复了时间序列遥感图像中的缺失数据，同时在计算效率和恢复精度上取得了显著的提升。

创新点：

• 通过在自注意力机制中引入缺失值掩模和对角掩模，优化了时空信息的利用效率，降低了原始ViT的计算复杂度。
• 设计了由MSTA特征提取器组成的多尺度恢复网络，通过探索不同尺度的时空邻域特征，逐步细化缺失值的恢复。