【报告内容】

汇报人：张子牧

汇报单位：河海大学

主题：KARMA: A Multilevel Decomposition Hybrid Mamba Framework for Multivariate Long-Term Time Series Forecasting

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

在复杂的时间序列预测任务中（尤其是面对现实世界中充满动态变化的传感器数据时），现有的方法面临两个核心痛点：

1）传统分解方法太僵化： 真实世界的数据既包含宏观的缓变趋势，又夹杂着高频的突发波动。传统的序列分解方法（如 STL）依赖于人工设定的固定窗口和刚性规则，面对周期动态变化的数据时，缺乏自适应能力。

2）时域与频域难以兼顾： 现有的深度学习模型大多只在单一的时域或频域下工作。如果只看时域，容易被高频噪声干扰而丢失长程依赖；如果只看频域（如纯粹的傅里叶变换），又会完全丢失事件发生的先后顺序特征。

2.相关创新方案

为了解决上述问题，作者提出了一种基于 Mamba 的混合频时分析框架 (KARMA)。其核心创新点可以拆解为两套组合拳：

1）创新一：ATCD (自适应时域-通道分解模块)

彻底抛弃了传统的 STL 分解，转而利用多头自注意力机制 (MHA) 作为全局滤波器。它通过数据驱动的方式，自适应地在全局时间步中寻找相似性，动态提取出极其平滑的全局趋势 (Trend)，并将剩余的残差作为局部周期项 (Seasonal)。

2）创新二：HFTD (混合频时动态处理模块)

○频域引入： 对分离出的周期项使用离散小波变换 (DWT)，将其进一步拆解为保留了时间先后顺序的高频系数和低频系数。

○多支路 Mamba 并行处理： 设计了包含 3 个平行 Mamba 的 KarmaBlock，分别专门处理高频（捕捉突变规律）、低频（捕捉周期规律）和纯时域残差，最后再结合处理全局趋势的 Global Mamba 进行特征融合。

○架构细节优化： 在 Mamba 块的入口处使用 RMSNorm 替代传统 LayerNorm，既保护了特征向量的物理方向，又榨取了极致的计算速度。同时利用翻转操作赋予了 Mamba 处理时域特征时的双向感知能力。

3.实验总结

1）性能表现： KARMA 在多个真实世界的主流基准数据集（如电力 ETT、天气 Weather 等）上均取得了 SOTA（最优）的预测误差表现。

2）消融实验验证： 实验强有力地证明了“用 MHA 替换 STL 分解”能显著降低误差；同时，缺失了高频、低频或时域任何一条 Mamba 支路，都会导致模型性能的明显下降，证明了混合频时架构的必要性。

3）局限性暴露： 作者在实验分析中也坦诚，当处理极高维度的数据（如包含八百多个变量的 Traffic 交通数据集）时，模型性能会出现轻微下滑。这主要是因为 ATCD 模块在处理过多的变量通道时，注意力机制可能会引入额外的交叉噪声。

4.未来工作

结合论文的结论以及该领域的发展趋势，KARMA 框架未来的演进方向主要集中在以下两点：

1）向大规模通用模型迈进： 论文明确指出，未来的核心工作将是探索构建用于“少样本 (Few-shot)”和“通用目的”的大规模时间序列模型（即 Time-Series Foundation Models）。让 Mamba 具备跨领域的零样本泛化能力。

2）高维通道的解耦优化： 针对实验中暴露的高维数据集性能下降问题，未来可以考虑引入通道独立性 (Channel Independence)，或者使用稀疏注意力机制来屏蔽无关通道的干扰，进一步提升模型在高并发传感器场景下的鲁棒性。

报告时间：2026年03月13日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)