ICLR 2026 | 打破CI/CD二元对立：CPiRi——基于通道置换不变性的多元时空解耦新范式

时空探索之旅

发布于 2026-03-10 16:09:34

790

文章被收录于专栏：时空探索之旅时空探索之旅

📝 论文标题： CPiRi: Channel Permutation-Invariant Relational Interaction for Multivariate Time Series Forecasting

🔗 论文链接：

OpenReview：https://openreview.net/pdf?id=tgnXCCjKE3

arXiv：https://arxiv.org/abs/2601.20318

💻 代码开源：https://github.com/JasonStraka/CPiRi

👨‍💻 论文作者：徐纪元，张文宇，景鑫，聂佳浩，陈帅，张帅

🏫 所属机构：浙江财经大学信息技术与人工智能学院

导读

在多元时间序列预测领域，通道独立（CI）与通道依赖（CD）的路线之争由来已久。为此，我们提出了 CPiRi 框架，通过“时空解耦”与“通道置换不变性”设计，巧妙化解了二者的矛盾。它不仅刷新了SOTA，更实现了对传感器网络动态变化的完美鲁棒性——即使训练时只见过25%的传感器，也能在全量传感器上精准预测。

01 困境：CI与CD的“零和博弈”

在多元时间序列预测（MTSF）领域，学术界长期存在着通道依赖（Channel Dependence, CD）与通道独立（Channel Independence, CI）的路线之争。

通道依赖（CD）派（如Crossformer、iTransformer）：主张通过时空图网络（STGNNs）、通道注意力机制等方法显式建模通道间的复杂关联。理论上限高，但极易过拟合。
通道独立（CI）派（如PatchTST、DLinear）：主张将每个通道视为独立序列处理。虽然简单粗暴，却因鲁棒性强而屡屡霸榜。

这就产生了一个反直觉的悖论：为什么显式建模了更多信息的CD模型，泛化性反而不如“各自为战”的CI模型？

如果我们剥开表象，会发现这本质上是一种架构选择下的妥协。目前的CI主流模型大多基于非自回归（NAR）或直接映射架构，为了规避噪声累积，被迫放弃了对跨通道联合分布的建模。

我们在思考： 是否存在一种架构，既能拥有CI的鲁棒性（不惧噪声和异质性），又能拥有CD的物理关联捕捉能力（理解通道间的因果）？

02 危机：动态系统中的“位置刚性”

现实世界是动态的。在智能交通或能源电网中，传感器网络时刻在变：设备会故障、新站点会接入、数据顺序可能被打乱。

传统的CD模型往往犯了一个致命错误：过度拟合了通道的“静态位置”。它们记住了“第1列数据和第5列数据相关”，而不是理解“流量大的路口通常会影响下游路口”。一旦推理时第1列的数据变到了第10列，或者是全新的传感器接入，模型就会发生灾难性崩塌。

我们称之为结构性分布漂移（Structural Co-drift）。在这个场景下，现有的SOTA模型显得异常脆弱。

03 诊断：你的模型是在推理，还是在背诵？

为了验证上述猜想，我们设计了一个“通道混洗测试”（Channel Shuffling Test）。

结果令人震惊：在PEMS-08数据集上，当测试端简单打乱通道顺序时，经典的Informer模型误差激增超过400% !

这揭示了一个残酷的事实：许多所谓的“时空模型”，并没有真正学到通道间的物理关系，而是在通过位置编码“背诵”固定的索引映射。

04 破局：CPiRi 框架

针对上述痛点，我们提出了 CPiRi (Channel Permutation-Invariant Relational Interaction)。

CPiRi

CPiRi 的核心哲学是：真正的通道交互关系应当与通道的排列顺序无关。 我们通过三个维度的创新重塑了MTSF范式：

架构创新：彻底的时空解耦前端利用冻结的预训练基础模型（Foundation Model）提取高质量时序特征，后端接入轻量级的空间交互模块。各司其职，互不干扰。
性质保证：通道置换不变性 (CPI)不管输入通道顺序怎么变，模型对特定物理实体的预测结果必须保持一致。
训练策略：置换不变正则化引入“通道混洗”训练机制，强制模型“忘掉”位置ID，去学习内容本身。

05 方法：三阶段处理流

CPiRi 的运作流程如行云流水：

阶段一：通用时序特征提取 我们采用了强大的单变量时序基础模型 Sundial 作为Backbone。它以CI模式独立处理每个通道，提取出富含时序语义的Patch表征。
阶段二：置换等变空间交互（核心） 这是CPiRi唯一需要训练的部分。我们将特征向量视为一个无序集合（Set），输入到轻量级Transformer Encoder中。关键点在于：我们去除了绝对位置编码。 这迫使模型只能根据特征的内容（Content）来计算注意力权重，从而学习真正的跨通道关系。
阶段三：独立预测生成 增强后的特征被送回冻结的Sundial解码器，完成最终预测。

06 实验：SOTA与鲁棒性的双赢

我们在METR-LA, PEMS-BAY等主流数据集及大规模数据集上进行了广泛实验，结果令人振奋：

🚀 1. 刷新 SOTA 记录

CPiRi 在大多数基准上击败了包括 PatchTST、iTransformer、Timer-XL 在内的所有强基线模型。

🛡️ 2. 完美的鲁棒性

在通道完全打乱的测试条件下，Informer、Crossformer 等模型性能崩溃，而 CPiRi的性能波动接近于 0%，展现了完美的置换不变性。

✨ 3. 惊人的归纳泛化能力（Inductive Generalization）

这是本研究最有趣的发现：我们在训练时仅使用 25% 的通道，在测试时直接应用于 100% 的通道（包含大量未见过的全新传感器），CPiRi 依然保持了极高的精度。这意味着模型真正学到了“如何分析关系”，而不是记忆“谁和谁有关系”。

⚡ 4. 极致高效

得益于冻结的大部分参数和轻量级空间模块，CPiRi 在大规模数据集（8600节点）上的训练显存占用远低于 Timer-XL 等模型。

07 总结与展望

CPiRi 不仅仅是一个新的预测模型，它更提出了一种处理多元时间序列的新哲学：拥抱时序基础模型，彻底解耦时空特征，并通过数据增强强制学习顺序无关的语义交互。

这项工作证明了，我们不必在“CI的鲁棒性”和“CD的时空建模能力”之间做二选一的妥协。

未来，我们将探索如何将文本提示、路网拓扑等外生模态引入这一解耦框架，向着更通用的“时空基础模型”迈进。

🙏 致谢：特别感谢 BasicTS Benchmark 为本文的时间序列预测实验提供的强力支持与帮助！🛠️✨