【报告内容】

汇报人：刘玉珠

汇报单位：河海大学

主题：《TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis》

1、Introduction

2、Method

3、Experiments

4、Conclusions

【报告总结】

1.待解决的问题描述

（1）时间序列变化建模困难：现实世界中的时间序列变化包含复杂的时间模式，多种变化相互混合和重叠，如天气数据中的每日、每年变化以及电力消耗数据中的每周、每季度变化等，这使得传统方法难以准确捕捉和建模这些变化，导致时间序列变化建模极具挑战性。

（2）现有方法存在局限性：传统的时间序列分析方法，如ARIMA、Holt-Winter和Prophet等，假设时间变化遵循预定义模式，但现实中的时间序列变化过于复杂，这些方法难以覆盖，实用性受限。而基于深度学习的方法，如RNN、TCN和Transformer等，在捕捉长期依赖关系、处理局部性以及从复杂时间模式中发现可靠依赖关系等方面存在不足。

2.相关创新方案

（1）将一维时间序列转换为二维张量：通过FFT提取显著频率对应的周期长度，将原始序列按周期长度折叠为二维结构，其中列表示不同周期，行表示周期内时间点。这一变换将周期内变化（行方向）和跨周期趋势（列方向）显式分离，使模型可通过二维卷积核同时捕捉两种模式，突破了传统一维方法的表示瓶颈。

（2）模型核心模块TimesBlock采用自适应多周期发现机制，动态选择Top-K显著周期，并为每个周期生成独立的二维张量。通过共享参数的Inception块（多尺度卷积）处理不同周期的二维张量，既保留多周期信息的多样性，又避免参数爆炸。最终通过振幅加权的自适应融合机制，聚合不同周期下的特征表示，增强模型对关键周期的关注。

3.实验总结

（1）多任务领先性能：在短期和长期预测、插补、分类和异常检测等五个主流时间序列分析任务上进行了广泛实验，与众多先进模型对比，TimesNet取得了一致的最先进性能。在长期预测任务中，在超过80的案例中表现最佳；在分类任务中，平均准确率达到73.6%，超过了之前的经典方法和深度模型。

（2）模型有效性验证：通过消融实验验证了模型各个组件的有效性。替换Inception块为更强大的模块能进一步提升性能，证明了2D空间设计与计算机视觉骨干网络结合的有效性；实验还表明模型的自适应聚合机制在融合不同周期表示时表现最佳。

4.未来工作

（1）探索大规模预训练方法：利用TimesNet作为骨干网络，进一步探索大规模预训练方法，期望通过这种方式普遍提升大量下游任务的性能，充分发挥TimesNet在时间序列分析中的潜力。

（2）非周期序列与动态周期建模：现有方法依赖FFT固定周期假设，对非周期或动态周期（如突发事件导致周期漂移）的适应性不足。未来可结合时域分析（如小波变换）或引入动态周期估计模块，增强模型对不规则时序的鲁棒性。同时，探索模型的可解释性（如周期重要性排序）也将是重要方向。

报告时间：2025年03月28日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)