在当今数据驱动的世界中，时间序列预测在多个领域扮演着关键角色。从医疗保健分析师预测患者流量，到金融分析师预测股市趋势，再到气候科学家预测环境变化，准确的时间序列预测都至关重要。然而，传统的预测模型面临着三个主要挑战：
数据获取难度：对于新兴模式的预测，相关训练数据往往难以获取或收集。例如，LOTSA（最大的公开时间序列数据集）仅包含约270亿个时间点，而相比之下，NLP领域的数据集如RedPajama-Data-v2包含数十万亿个标记。
泛化能力受限：传统模型难以在不同领域和应用场景之间迁移，每个新场景都需要重新训练模型。
数据效率低下：在训练数据有限的情况下容易出现过拟合现象。
TSMamba对传统Transformer架构进行了重大改进：
线性复杂度实现：
传统Transformer：输入长度的二次方复杂度
TSMamba：实现线性复杂度，显著提升处理效率
通过选择性状态空间实现信息的高效过滤与保留
双向编码器设计：
前向编码器：捕捉因果关系依赖
后向编码器：提取反向时间关系
时间卷积模块：对齐前向和后向表示
TSMamba采用创新的两阶段迁移学习方法，有效解决了训练数据不足的问题：
第一阶段 - 骨干网络训练：
利用预训练的Mamba语言模型初始化
通过分片式自回归预测优化骨干网络
训练输入嵌入以适应时间序列数据
第二阶段 - 长期预测优化：
恢复完整TSMamba架构
加载第一阶段训练的骨干网络和嵌入层
使用差异化学习率策略进行训练
3. 通道压缩注意力机制为处理多变量时间序列的复杂性，TSMamba引入了创新的通道压缩注意力模块：
该模块包含四个关键步骤：
时间卷积：对齐不同通道的时间维度
通道压缩：将通道数从D压缩到⌈log₂(D)⌉
注意力计算：在压缩通道维度上提取依赖关系
通道恢复：将压缩表示映射回原始通道数
这种设计既保证了对跨通道依赖关系的有效捕捉，又避免了过度拟合的风险。
实验评估与性能分析实验设置TSMamba在实验中采用以下配置：
3层编码器
768维嵌入大小
固定512长度的输入序列
实验评估分为两个主要场景：零样本预测和全量数据训练。
零样本预测结果基准数据集评估在ETTm2和Weather两个标准数据集上进行了全面测试：
预测周期：
短期：96小时
中期：192小时
长期：336小时、720小时
评估指标：
均方误差(MSE)
平均绝对误差(MAE)
在长期预测(336和720小时)场景表现突出
与使用更大规模预训练数据的模型相比保持竞争力
在平均性能上达到领先水平，尤其是在数据效率方面
全量数据训练结果实验数据集在三个主要数据集上进行了详细评估：
ILI (流感数据集)
ETTm2 (电力负载数据集)
Weather (气象数据集)
性能对比
主要结果：
整体性能：
相比GPT4TS提升了15%的性能
超越了专门的时间序列预测模型PatchTST
在大多数预测长度上保持最优表现
分数据集表现：
ETTm2数据集：平均MSE降低至0.257，MAE降低至0.317
Weather数据集：平均MSE达到0.222，MAE达到0.258
ILI数据集：显著优于所有基准模型
稳定性分析：
在不同预测长度下保持稳定表现
预测结果的方差较小，显示出较高的可靠性
消融研究为验证各个模块的有效性，进行了详细的消融实验：
通道压缩注意力模块的影响：
完整模型vs去除压缩机制
不同压缩比率的效果对比
两阶段训练策略的贡献：
单阶段vs两阶段训练的效果对比
不同预训练策略的影响
双向编码器的作用：
仅使用前向编码器的效果
双向编码器带来的性能提升
这些实验结果证实了TSMamba各个创新组件的必要性和有效性。
技术细节论文没给源代码，我们按照论文的思路进行一个简单的复现
关键技术实现1. 模型核心组件预处理模块class PreprocessModule(nn.Module): def __init__(self): super().__init__() # 实例归一化 self.norm = ReverseInstanceNorm() # 1D卷积实现输入嵌入 self.embedding = nn.Conv1d( in_channels=1, out_channels=model_dim, kernel_size=patch_length, stride=patch_length )
通道压缩注意力模块class ChannelCompressedAttention(nn.Module): def __init__(self, dim, num_channels): super().__init__() # 时间卷积层 self.temporal_conv = nn.Conv1d(dim, dim, kernel_size=3, padding=1) # 通道压缩 compressed_channels = ceil(log2(num_channels)) self.channel_compress = nn.Conv1d(num_channels, compressed_channels, 1) # 注意力层 self.attention = nn.MultiheadAttention(dim, num_heads=8) # 通道恢复 self.channel_expand = nn.Conv1d(compressed_channels, num_channels, 1)
2. 优化策略两阶段训练流程：
第一阶段：优化骨干网络
第二阶段：微调预测头
使用差异化学习率
损失函数设计：
def huber_loss(y_pred, y_true, delta=1.0): residual = torch.abs(y_pred - y_true) quadratic_loss = 0.5 * residual.pow(2) linear_loss = delta * residual - 0.5 * delta.pow(2) return torch.mean(torch.where(residual <= delta, quadratic_loss, linear_loss))
总结TSMamba通过其创新的架构设计和训练策略，成功解决了传统时间序列预测模型面临的多个关键问题。其主要贡献包括：
实现了线性复杂度的计算效率
提出了有效的两阶段迁移学习方法
设计了创新的通道压缩注意力机制
这些创新为时间序列预测领域提供了新的研究方向和实践指导。随着技术的不断发展，我们期待看到更多基于TSMamba的改进和应用，推动时间序列预测技术继续向前发展。
https://avoid.overfit.cn/post/7813f935a8584f4199d146bce348f787
