arXiv cs.AI· Yaohua Zha, Hai Wu, Shu-Tao Xia·· 2 天前AI 评分18
DST-Net：面向时间序列预测的分解式时空网络
DST-Net: Decomposed Spatio-Temporal Network for Time Series Forecasting
AI 导读
DST-Net 提出一种分解式时空网络，针对趋势分量和季节分量分别设计建模策略：趋势分支用 Latent Graph Block 捕捉跨通道的全局拓扑依赖与系统级联动，季节分支用 Gaussian Multi-scale Attention 抑制注意力分散、聚焦多粒度局部上下文。该模型在多个真实世界基准上验证了有效性，已被 WCNCA 2026 接收。
正文 · AI 翻译
摘要：序列分解已成为深度时间序列预测模型中广泛认可的范式。然而，现有方法对所有子序列普遍采用同质化建模策略，从而忽略了不同分量所固有的不同归纳偏置。我们发现，趋势分量在通道间表现出主导性的空间耦合，但存在显著的时间冗余；而季节分量则以局部时间演化为特征，却仍易受注意力分散的影响。为解决这一问题，我们提出了一种新颖的解耦架构，为每个分量量身定制特定的建模策略，以契合其内在属性。对于趋势分支，我们设计了潜在图块（Latent Graph Block），采用潜在图建模来捕捉全局拓扑依赖和系统级协同运动。相反，对于季节分支，我们引入了高斯多尺度注意力机制以缓解注意力分散。通过注入可学习的高斯先验，我们施加结构约束，迫使模型关注多粒度的局部上下文，有效滤除全局噪声并准确捕捉局部演化阶段。在多个真实世界基准上的大量实验证明了所提模型的有效性。
| 评论： | 已被 2026 年世界算力网络大会-学术（WCNCA）接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.21123 [cs.LG] |
| （或 arXiv:2610.21123v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21123 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Yaohua Zha [查看邮箱]
[v1]
2026 年 10 月 15 日星期四 02:28:22 UTC（3,833 KB）
来源：arXiv cs.AI · arxiv.org