本文对多元时间序列数据的特征和 Channel Independent/Channel Dependent 策略进行了综合实证和理论分析，结果表明，CD 方法具有更高的容量，但常常缺乏精确预测分布漂移时间序列的鲁棒性，而 CI 方法则是在容量和鲁棒性之间进行权衡的。因此我们提出了 PRReg 方法来解决容量和鲁棒性之间的困境，并超越了 CI 策略，希望能提高研究人员对多元时间序列数据的认识并启发更好的预测模型的构建。

Apr, 2023

本文研究关注机制在时间序列预测性能上的作用，提出 MTS-Mixers 来解决捕获时间和通道互动中的交错和冗余问题，并证明了关注机制不是捕获时间依赖关系的必要条件。

Feb, 2023

通过引入 Cross-variable Decorrelation Aware feature Modeling (CDAM) 和 Temporal correlation Aware Modeling (TAM) 技术，本研究提出了一种新的框架，通过最小化通道之间的冗余信息并增强相关的相互信息来改进 Channel-mixing 方法，在综合测试中明显超过了现有模型。

Mar, 2024

时间序列预测中，通过引入一种能平衡个体通道处理和通道间关联的渠道策略，我们研发了可提升预测性能的通道聚类模块。在实验中，该模块通过提高长期和短期预测的性能分别平均提升 2.4% 和 7.2%，并使得主流时间序列预测模型能够进行零 - shot 预测，揭示通道间的内在时间序列模式和改善复杂时间序列模型的解释性。

Mar, 2024

本研究提出了一种名为 CSC 的简单而有效的策略，用于线性模型，它提高了 CI 策略的性能并减小了参数大小，同时大大缩短了训练时间，并且还提出了一种基于自聚类的深度模型方法 CR，以及对于使用相同频道的历史值作为输入来预测未来值的讨论。研究结果希望能够启发出超越 CD/CI 的新解决方案。

Oct, 2023

提出了一种名为 C-Mamba 的基于状态空间模型的多变量时间序列预测方法，通过混合通道和通道注意力增强的方式来捕捉跨通道依赖关系，获得了在七个真实世界时间序列数据集上的最先进性能，同时其混合和注意力策略在其他框架中表现出强大的泛化能力。

Jun, 2024

提出了一个多通道时空变换模型用于交通流量预测，通过融合来自不同通道的交通数据结果，改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征，并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明，引入多通道机制到时间模型中提高了性能，并且在准确性方面优于现有模型。

May, 2024

我们介绍了 CSformer 模型，它通过精心设计的两阶段自注意机制实现了序列特定和通道特定信息的提取，并引入了序列适配器和通道适配器，以促进各个维度之间的协同和相互增强，从而显著提高了多变量时间序列数据的特征提取能力。

Dec, 2023

该论文提出了一种深度图聚类变压器（DGCformer），用于多元时间序列预测。它通过图卷积网络和自编码器首先将相关变量进行分组，然后使用通道依赖策略处理每个变量组，而对不同组则使用通道独立策略。八个数据集上的广泛实验结果表明了我们方法相对于最先进模型的优越性，计算代码将在接受后公开。

May, 2024

本研究提出了一种使用 PCA 增强的新型 Transformer 预测框架，以降低冗余信息、提高预测准确性并优化运行时间效率。通过与其他五个先进模型和四个真实世界数据集的评估结果显示，该框架能够在所有模型和数据集上最小化预测误差，并显著降低运行时间。其中 PCA+Crossformer 模型平均减少均方误差（MSE）33.3% 并缩短运行时间 49.2%。在电力数据集上，该框架降低 MSE 14.3% 和运行时间 76.6%；在交通数据集上，降低 MSE 4.8% 和运行时间 86.9%。本研究旨在推进各种先进模型，增强基于 Transformer 的时间序列预测能力，以适用于复杂数据。

Dec, 2023