近日，中国科学院合肥物质院智能所运动与健康中心北斗时空实验室孟宪伟研究员团队关于深度学习领域的研究工作“TimeCapsule: Solving the Jigsaw Puzzle of Long-Term Time Series Forecasting with Compressed Predictive Representations”被国际数据挖掘领域的顶级会议SIGKDD录用。
用于长期时间序列预测 (LTSF) 的深度学习模型通常强调复杂的手工设计，然而，诸如线性模型或多层感知器 (MLP) 等更简单的架构往往能胜过这些精密的解决方案。基于此，科研团队重新审视并组织了经常被应用于先进的 LTSF 模型中几项关键技术背后的核心思想，例如冗余缩减和多尺度建模，并通过简化融合这些思想，更有效地利用深度学习构成一个具有通用泛化、高效精准预测能力的预测器TimeCapsule。
TimeCapsule是一种基于高维信息压缩原则构建的模型，它在一个通用且简化的框架内统一了这些技术。具体来说，它将时间序列建模为一个包含时间、变量和“水平层级”维度的高维信息载体，结合有损压缩理论框架，利用张量模式乘积来捕获多维度复杂依赖关系，同时实现维度压缩的高效处理。另外，本工作还在压缩表示域内提出了一种内部预测机制，并由联合嵌入预测架构支持监控预测表示的学习。最后在丰富且具有挑战性的基准测试上进行的广泛实验证明了方法的多功能性，实验效果表明 TimeCapsule 可以在大量基准数据集上实现最先进的预测性能。
该工作得到了安徽省自然科学基金的支持。
据悉，国际知识发现与数据挖掘大会 (ACM SIGKDD Conference on Knowledge Discovery and Data Mining，简称KDD) 是数据挖掘领域最具权威性和影响力的国际学术会议之一，同时也是中国计算机学会（CCF）推荐的A类国际学术会议。KDD 2025二月轮的Research Track录用率约为18.4%。
文章链接：https://arxiv.org/abs/2504.12721
模型结构图总览
