摘要

长期时间序列预测（Long-term Time Series Forecasting, LTSF）旨在根据历史观测值预测未来的时间序列值。目前，该任务的最先进（State-of-the-Art, SOTA）方法在某些情况下由以线性映射为核心的模型实现，这类模型通常包含一个线性映射层。然而，由于其固有的结构简单性，这些模型难以适应时间序列模式中的周期性变化，无法动态调整其预测规则。为应对这一挑战，我们提出了一种面向线性中心模型的“专家混合”（Mixture-of-Experts）式增强方法，并进一步构建了线性专家混合模型（Mixture-of-Linear-Experts, MoLE）。与训练单一模型不同，MoLE同时训练多个线性中心模型（即“专家”）以及一个路由模型（router），后者负责对各专家的输出进行加权并融合。尽管整个框架采用端到端的方式进行训练，但每个专家能够专注于学习特定的时间模式，而路由模型则具备自适应地组合专家输出的能力。实验结果表明，在我们评估的超过78%的数据集和设置中，MoLE显著降低了现有线性中心模型（包括DLinear、RLinear和RMLP）的预测误差。在与PatchTST进行对比的68%的实验场景中，通过引入MoLE，原有线性中心模型能够达到SOTA的长期时间序列预测性能；相比之下，传统的单头线性中心模型仅在25%的情况下达到SOTA水平。