时间序列新范式！多尺度+时间序列，刷爆多项SOTA

文章预览

当我们面对复杂模式和多变周期的应用场景（比如金融市场分析）时， 采用多尺度时间序列来做分析和预测是个更好的选择。 这是因为： 传统时序方法通常只用固定时间窗口来提取信息，难以适应不同时间尺度上的模式变化。但多尺度时间序列通过调整时间分辨率和距离，不仅能捕捉到时序的局部细节，还能把握其长期趋势和周期性变化。这就大大提升了模型对新数据集的适应性和不同应用场景迁移能力，让我们能够实现更精确的时间序列预测。 举个比较热门的例子：Pathformer。 Pathformer结合了时间分辨率和时间距离的概念，采用自适应Pathways来根据输入时序的时间特征动态提取和聚合多尺度特征，取得了SOTA预测效果。 除此之外，研究者们已经开发了很多 创新的多尺度时间序列方案 ，我挑选了 最新的 10篇 给各位作参考，开源代码贴心附上，欢 ………………………………