ICLR 2025｜TimeMixer++刷新时序分析天花板（附论文合集）

本篇论文来自ICLR 2025的oral文章，在ICLR2025上拿到了6、8、10的高分，是针对通用时间序列模式机器进行的研究~

时序啊，没点门路真的很难发论文……为了让大家对时间序列有一个全面的认识和深入理解，我耗时一个下午，精心整理好了最新ICLR2025全部77篇时序相关论文，包括PDF原文、代码以及解读。帮助大家轻松跟踪时间序列领域的最新研究成果，轻松拿下顶会顶刊！

文章信息

论文名称：TimeMixer++：A General Time Series Pattern Machine for Universal Predictive Analysis

论文作者：Shiyu Wang, Jiawei LI, Xiaoming Shi, Zhou Ye, Baichuan Mo, Wenze Lin, Ju Shengtong, Zhixuan Chu, Ming Jin

背景介绍

时间序列分析在天气预报、医疗分类、异常检测等众多领域中起着关键作用，而开发能够处理多种任务的统一模型架构（时间序列模式机器，TSPM）是重要趋势。

传统模型如 RNN、TCN、Transformer 等在捕捉长距离依赖、多尺度模式等方面存在局限性，难以有效处理时间序列数据的多尺度、多周期性特征。

如何设计一个能够适应不同任务需求，灵活处理多尺度和多周期性模式的通用模型，成为了新的挑战

模型框架

整体框架：提出了通用时间序列模式机器TIMEMIXER++， 采用编码器架构，包含输入投影、MixerBlock 堆叠和输出投影三个主要组件，通过多尺度和多分辨率分析提取时间序列模式。

TIMEMIXER++的关键技术有4个：

1. 多分辨率时间成像（MRTI）：将多尺度时间序列转换为多分辨率时间图像，结合时域和频域信息。
2. 时间图像分解（TID）：利用双轴注意力（列轴和行轴）分离季节性和趋势模式。
3. 多尺度混合（MCM）：自下而上混合季节性模式，自上而下混合趋势模式，实现跨尺度信息聚合。
4. 多分辨率混合（MRM）：基于频率振幅自适应集成不同分辨率的表示。

实验数据

实验设置：在 8 类时间序列任务（长期预测、短期预测、插补、分类、异常检测等）、30 多个基准数据集上进行评估，对比 27 个先进基线模型。

实验主要结果：

• 性能优势：在长短期预测、插补、分类、异常检测等任务上均取得先进性能，例如在长期预测中，相比 iTransformer 在 Electricity 数据集上 MSE 降低 7.3%，MAE 降低 6.3%。
• 泛化能力：在少样本和零样本预测任务中表现出色，展现了良好的模式识别和迁移能力。
• 消融实验：验证了各组件的有效性，如时间图像分解可带来 8.81% 的性能提升。

论文总结

论文提出了 TIMEMIXER++，一种用于通用预测分析的通用时间序列模式机器（TSPM），其核心是通过多尺度和多分辨率分析来有效提取时间序列模式。

传统时间序列模型在捕捉通用模式方面存在不足，难以应对多尺度、多周期性等挑战，而 TIMEMIXER++ 通过多分辨率时间成像（MRTI）将多尺度时间序列转换为多分辨率时间图像，结合时间图像分解（TID）利用双轴注意力分离季节性和趋势模式，再通过多尺度混合（MCM）和多分辨率混合（MRM）实现跨尺度和分辨率的信息聚合与集成。

该研究为下一代时间序列模式机器的发展迈出了重要一步，但也指出未来需探索大规模时间序列数据集和模型的缩放规律。