摘要

多变量时间序列预测在金融、交通管理、能源以及医疗等多个领域中发挥着至关重要的作用。近年来的研究表明，通道独立性有助于抵御分布漂移，但忽略了通道间的相关性，从而限制了性能的进一步提升。尽管已有若干方法通过引入注意力机制或混合器（mixer）等结构来捕捉通道相关性，但这些方法往往导致模型复杂度显著增加，或过度依赖通道间相关性，难以在存在分布漂移、尤其是通道数量较多的情况下取得理想效果。为解决上述问题，本文提出了一种高效的基于多层感知机（MLP）的模型——系列核心融合时间序列预测器（Series-cOre Fused Time Series forecaster, SOFTS），其核心创新在于引入了一种新型的STar Aggregate-Redistribute（STAR）模块。与传统方法通过分布式结构（如注意力机制）处理通道间交互不同，STAR采用集中式策略，显著提升了计算效率，并降低了对单个通道质量的依赖。该模块首先将所有时间序列聚合为一个全局核心表示，随后将该核心信息分发并融合至各通道的独立表示中，从而高效实现通道间的交互建模。实验结果表明，SOFTS在保持线性时间复杂度的前提下，显著优于现有最先进的方法。此外，本文还通过实验证明了STAR模块在多种不同预测模型中的广泛适用性。为促进后续研究与开发，我们已将代码公开发布于：https://github.com/Secilia-Cxy/SOFTS。