时序预测的王道 -- Patch 。

时序预测的王道 ！

在最近一年的Transformer时间序列预测模型中，一般都采用Patch的方式进行数据组织，即将时间序列分成多个patch，每个patch通过MLP编码后，输入到Transformer中。这种建模方式，目前是最适合Transformer结构的，也被很多之前的工作证明效果的优越性。然而，这种建模方式的效果，真的来源于Transformer吗？还是只是因为Patch的数据处理形式带来的呢？

香港科技大学近期发表了一篇时间序列预测文章，提出了一种Patch+CNN的模型结构，打败了Transformer模型，取得了SOTA效果。下面为大家介绍一下这篇文章的细节。

论文标题：PATCHMIXER: A PATCH-MIXING ARCHITECTURE FOR LONG-TERM TIME SERIES FORECASTING

下载地址：https://browse.arxiv.org/pdf/2310.00655v1.pdf

本文提出的PatchMixier模型整体结构如下，主要包括Patch Embedding、PatchMixer、多头预测等模块。

Patch embedding将原始的一维单变量时间序列转换成二维的类似图像的数据结构。文中对比了两种patch embedding生成方法，分别为Top-k Frequencies和Sliding Window。

Top-k Frequencies：这种方法首先将原始的时间序列映射到频域，然后选择频域主要成分，将每个主成分的序列组织成一个二维结构。这里每个成分的时间序列可以看成是一个patch。

Sliding Window：这种方式根据一个窗口长度和步长在原始的时间序列上移动，抽取出多个子序列，这些子序列组织成一个patch。这里每个子序列可以看成是一个patch。

上说两种方式，一种是在频域上通过频率成分进行patch分割，另一种是在时域上将序列按照时间分成多个片段得到patch。

在得到每个patch的数据后，下一步是生成每个patch的embedding。在之前的Transformer类型的工作中，一般会引入position embedding解决Transformer无法建模时序的问题。而本文中，由于采用了CNN的结构，天然具备对序列的建模能力，因此文中没有引入任何position embedding，而是直接通过一个MLP将patch内的序列数据映射成embedding。

在得到Patch Embedding后，文中继续采用CNN模型进行建模。在之前的CNN类型的时间序列预测工作中，一般采用不同尺寸的卷积核分别在整个序列上做卷积，没有区分局部信息和全局信息。

本文采用了两个卷积分支分别提取序列的局部信息和全局信息。对于局部信息分支，使用一个卷积在每个patch内进行depthwise的卷积，实现patch维度的局部建模。同时，在全局信息分支，使用一个跨patch的卷积，建模patch之间的关系。

在预估过程中，文中也参考了趋势项季节项分解的思路，将预估结果分成线性和非线性两个部分。线性部分主要用来预测时间序列的趋势项，非线性部分将卷积的输出结果经过非线性MLP得到其余的预估项，最终预测结果为二者相加。

此外，文中也是用了RevIN的归一化方法对时间序列的输入和输出分别进行归一化和反归一化。

文中对比了PatchMixer和其他Transformer模型的效果，从下面的实验结果中可以看出，PatchMixer取得了比较显著的效果提升，达到了SOTA效果。这也说明，基于Patch这种数据形式进行时间序列预测，是比较好的方式，Patch+CNN同样能取得比Transformer更好的效果。

END