ICLR 2023 | 用于长时间序列预测的多尺度混合分解模块

©作者 | 杜大钊

单位 | 中科院软件所

研究方向 | 时序建模

论文标题：

MICN: Multi-scale Local and Global Context Modeling for Long-term Series Forecasting

论文链接：

https://openreview.net/forum?id=zt53IDUR1U

本文中了 2023 ICLR 的 oral。又是一篇长时间序列预测的文章，但是它是一个基于时域卷积模块的模型，而不是基于 Transformer 的模型。本文的动机有两点：先提取时间序列的局部特征，然后再提取所有局部特征之间的关联性，进而得到全局特征，从 Local 和 Global 的角度建模；在建模全局特征时，不采用复杂度高的 attention，而是采用新提出来的 Isometric Convolution 模块。

Key Points

1.1 MICN模型总览‍

先是将输入序列送到多尺度混合分解模块中进行序列分解，得到 Seasonal 项和 Trend-Cyclical 项，分别对两者独立进行预测，最后将预测结果加起来。对于 Trend-Cyclical 项，直接采用线性回归的方式，即 Trend-Cyclical Prediction Block 就是一个线性层，因此下面不再介绍；对于 Seasonal 项，采用提出的 MIC 层进行预测。

1.2 多尺度混合分解

首先是如何将原始输入序列进行分解得到 Trend-Cyclical 项和 Seasonal 项。作者也是采用了和 AutoFormer 比较相似的，用平均池化得到 Trend-Cyclical 项，然后原始序列减去 Trend-Cyclical 项就得到了 Seasonal 项。考虑到平均池化的 kernel 大小控制着分解的不同模式，因此作者综合多个 kernel 的平均池化结果，将这些结果再取一个平均，得到 Trend-Cyclical 项：

其实这个方式几乎和 FEDformer 的混合专家分解块（MOEDecomp）是一模一样的，只不过 MOEDecomp 是对多个 kernel 的平均池化结果进行加权平均，而本文是直接平均。

1.3 Seasonal Prediction Block

季节预测模块首先对输入进行 Embedding，其次使用 个堆叠的 MIC 层预测未来。每个 MIC 层中，有多个代表不同尺度的 Branch，如上图中浅蓝色部分所示。每个 branch 实际上就是一个 Local-Global 模块，在下一节中将具体介绍。对于每一个 MIC 层，输入首先通过多个 branch 中的 Local-Global 模块，然后不同 branch 的结果会合并起来，相当于融合多尺度信息，最后馈送到 FFN 和 Add&Norm，即得到该 MIC 层的输出。

1.4 Multi-scale Isometric Convolution(MIC) Layer

对于每一个 MIC 层，本节详细介绍其中的 Local-Global 模块。Local-Global 模块由聚合局部特征的 Local 模块和建模所有局部特征之间的关系的 Global 模块串联而成。

对于 Local 模块，首先使用 kernel 大小为 的平均池化进行滤波，然后使用 kernel 大小为 ，stride 大小也为 的 1D 时域卷积来进行降采样（这相当于将序列长度缩小了 倍）。作者认为，这样相当于把每 个相邻的时间点特征聚合成了一个局部特征。

对于 Global 模块，它的输入实际上就是降采样后的序列，也就是局部特征的序列。于是，作者提出了 Isometric Convolution 来建模这些局部特征的全局关系。之后，利用 1D 转置卷积进行上采样，将序列长度扩大了 倍，也就是再恢复到原始的长度。

下图是 Isometric Convolution 和 masked self-attention 的对比。可以看到，Isometric Convolution 就是把长度为 的序列从头部再填充 的长度，然后利用 kernel 大小为 的 1D 卷积来直接处理即可。我认为 Isometric Convolutio 实际上就是 kernel 大小等于整个序列长度的因果卷积，换汤不换药，就是换了个名字。对于每个输出，只能看到位于该输出前面时刻的那些输入。

那多尺度，也就是上一节提到的多个 Branch 是如何实现的呢？很简单，对于不同的 branch，采用不同的参数 即可。

实验结果

主要结果：

Local-Global 模块的消融：

Comments

本文消融实验比较完备，模型结构也蛮合理。提出的 isometric convolution 来替代 masked self-attention 是本文最主要的创新点，但它就是因果卷积换了个皮，而且不太清楚为什么要用这种因果卷积的形式，因为模型的输入本身就不包括未来序列，未来序列是以填充 0 的方式输入到模型中的，并不需要防止信息泄露。

事实上，在很多基于 Transformer 的时序预测论文都不用因果 mask 了，以及基于 TCN 的模型如 SCINet 认为 TCN 中的因果卷积不但没有必要，反而自我限制了对时序信息的提取能力。模型的效果虽然超过了一些 Transformer 的模型，但和另一些方法如 DLinear 比还是有一些差距的。在 openreview 上可以看到该文章以 668 的得分中了 oral，但老实说我觉得远不够 oral 的门槛，可能是 PC 觉得实验比较充分吧。

更多阅读

#投 稿 通 道#

 让你的文字被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

📝 稿件基本要求：

• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注 

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算

📬 投稿通道：

• 投稿邮箱：[e-mail] 

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·