时序预测双飞轮,全面超越 Transformer,纯 MLP 模型实现性能效能齐飞
本文作者简介:王世宇,蚂蚁集团算法专家,在 AI 创新技术部 NextEvo 主要负责时序算法研究方向,主导时序预测平台建设和时序算法创新研发和架构工作,推动预测与决策联动的双引擎能力。在 ICLR, IJCAI, KDD, AAAI, WSDM, ICDM, DASFAA 等顶级会议发表多篇论文。
往期文章推荐
谷歌、Meta、Claude、Perplexity都在争取与苹果AI整合;阿里联合华东师大发布AI视频工具
Claude 3.5 Sonnet发布,比GPT-4o更智能;OpenAI CTO预测1年半“博士级智能”AI将出现
导读
在数据驱动的时代,时序预测成为了许多领域中不可或缺的一部分。从金融市场的波动预测到智能制造中的设备故障预警,时序数据分析的准确性和效率直接影响着决策的质量和速度。
近年来,Transformer 模型因其在自然语言处理(NLP)和计算机视觉(CV)中的卓越表现,引起了广泛关注。然而,Transformer 在处理时序数据时存在一定的局限性,如计算复杂度高、对长序列数据处理不够高效等问题。
为了解决这些问题,近期蚂蚁集团和清华大学联合推出一种纯 MLP 架构的模型 TimeMixer,在时序预测上的性能和效能两方面全面超越了 Transformer 模型,实现时序预测双飞轮。
结合对时序趋势周期特性的分解以及多尺度混合的设计模式,不仅在长短程预测性能上大幅提升,而且基于纯 MLP 架构实现了接近于线性模型的极高效率,实现预测性能和模型效能齐飞。
论文地址:
https://openreview.net/pdf?id=7oLshfEIC2
ARXIV 地址:
https://arxiv.org/abs/2405.14616v1
论文代码:
https://github.com/kwuking/TimeMixer
论文概述
TimeMixer 是一种全新的时序预测模型,采用了纯多层感知机(MLP)架构,彻底摒弃了复杂的自注意力机制。该模型通过引入可分解的多尺度混合机制,在保持高精度预测的同时,大幅降低了计算复杂度和训练时间。
核心观察—History Extraction 历史信息抽取:鉴于季节和趋势成分在时间序列中表现出明显不同的特征,并且时间序列的不同尺度反映了不同的属性,在细粒度的微观尺度上季节性特征更加明显,而在粗粒度的宏观尺度上趋势特征更加明显,因此,有必要在不同尺度上分离季节性和趋势成分。
核心观察—Future Prediction 未来预测:整合不同尺度的预测得到最终的预测结果,不同尺度表现出互补的预测能力。
模型框架
TimeMixer 模型采用了一个多尺度混合架构,旨在解决时间序列预测中的复杂时间变化问题。该模型主要采用全 MLP(多层感知机)架构,由过去可分解混合 Past Decomposable Mixing (PDM) 和未来多预测器混合 Future Multipredictor Mixing (FMM) 两大块构成,能够有效利用多尺度序列信息。
Past Decomposable Mixing:PDM 负责提取过去的信息并将不同尺度上的季节性和趋势组分分别混合。
PDM 以季节和趋势混合为动力,将详细的季节信息由细到粗逐步聚合,并利用较粗尺度的先验知识深入挖掘宏观趋势信息,最终实现过去信息提取中的多尺度混合。
Future Multipredictor Mixing:请注意,未来多重预测器混合 (FMM) 是多个预测器的集合,其中不同的预测器基于不同尺度的过去信息,使 FMM 能够集成混合多尺度序列的互补预测功能。
实验效果
为了验证 TimeMixer 的性能,我们在包含长程预测,短程预测,多元时序预测以及具有时空图结构的 18 组基准数据集上进行了实验,包括电力负荷预测、气象数据预测和股票价格预测等。实验结果表明,TimeMixer 在多个指标上全面超越了当前最先进的 Transformer 模型,具体表现如下:
预测精度:在所有测试的数据集上,TimeMixer 均表现出更高的预测精度。以电力负荷预测为例,TimeMixer 相比于 Transformer 模型,平均绝对误差(MAE)降低了约 15%,均方根误差(RMSE)降低了约 12%。
计算效率:得益于 MLP 结构的高效计算特性,TimeMixer 在训练时间和推理时间上均显著优于 Transformer 模型。实验数据显示,在相同硬件条件下,TimeMixer 的训练时间减少了约 30%,推理时间减少了约 25%。
模型可解释性:通过引入 Past Decomposable Mixing 和 Future Multipredictor Mixing 技术,TimeMixer 能够更好地解释不同时间尺度上的信息贡献,使得模型的决策过程更加透明和易于理解。
泛化能力:在多个不同类型的数据集上进行测试,TimeMixer 均表现出良好的泛化能力,能够适应不同的数据分布和特征。这表明 TimeMixer 在实际应用中具有广泛的适用性。
长程预测:为了确保模型比较的公平性,使用标准化参数进行实验,调整输入长度、批量大小和训练周期。此外,鉴于各种研究的结果通常源于超参数优化,我们包括综合参数搜索的结果:
短程预测:多变量数据
短程预测:单变量数据
消融实验:为验证 TimeMixer 每个组件的有效性,我们在所有 18 个实验基准上对 Past-Decomposable-Mishing 和 Future-Multipredictor-Mishing 模块中的每种可能的设计进行了详细的消融研究。
模型效率:我们将训练阶段的运行内存和时间与最新最先进的模型进行比较,其中 TimeMixer 在 GPU 内存和运行时间方面,对于各种系列长度(范围从 192 到 3072)始终表现出良好的效率),此外还具有长期和短期预测任务一致的最先进性能。值得注意的是 TimeMixer 作为深度模型,在效率方面表现出接近全线性模型的结果。这使得 TimeMixer 在各种需要高模型效率的场景中大有前途。
总结
本文介绍了 TimeMixer 这一全新的时序预测模型。通过引入可分解的多尺度混合机制,TimeMixer 在保证高预测精度的同时,实现了显著的计算效率提升。实验结果表明,TimeMixer 在多个公开数据集上的表现全面超越现有基准模型,包括 Transformer 极其多种变体在内。
TimeMixer 的成功不仅为时序预测领域带来了新的思路,也展示了纯 MLP 结构在复杂任务中的潜力。未来,随着更多优化技术和应用场景的引入,相信 TimeMixer 将进一步推动时序预测技术的发展,为各行业带来更大的价值。
版权声明: 本文为 InfoQ 作者【可信AI进展】的原创文章。
原文链接:【http://xie.infoq.cn/article/9a21dc1ebaf26057791267d75】。文章转载请联系作者。
评论