【报告内容】

汇报人：李娜

汇报单位：河海大学

主题：《ConvTimeNet: A Deep Hierarchical Fully Convolutional Model for Multivariate Time Series Analysis》

1、Introduction

2、Method

3、Experiments

4、Conclusions

【报告总结】

1.待解决的问题描述

先时间序列数据广泛应用于医疗、工业、金融、交通、环境等多个领域，深度学习的兴起为时间序列分析带来了突破性进展。尽管现有方法（如LSTM、Transformer）在建模长期依赖关系方面表现出色，但它们仍存在局限性。第一，局部模式提取不够精准。多数方法采用固定窗口分割，无法自适应识别最具信息量的局部模式。第二，多尺度依赖关系建模受限。现有模型缺乏对不同时间尺度之间关系的有效捕捉，影响了全局信息的利用。

2.相关创新方案

作者提出了一个基于深度分层全卷积模型ConvTimeNet，无需依赖自注意力机制，即可高效建模时间序列的多尺度依赖关系的模型。ConvTimeNet引入了一个可变形的补丁层，这个层可以根据数据自动调整，以更好地捕捉时间序列中局部的、特定时间段内的模式。这样，模型就能更准确地反映时间序列的实际情况。基于提取的这些局部模式，设计了一种分层的纯卷积块，用于捕捉不同时间尺度上模式之间的依赖关系。此外，采用了大核机制，使得卷积块可以更深入地堆叠，从而能够捕捉到更大范围的时间依赖关系。

3.实验总结

论文围绕ConvTimeNet模型开展实验，在10个分类数据集（如AWR、FM、DDG）和9个预测数据集（如ETTh1、Exchange、Traffic）上验证其性能。分类任务中，ConvTimeNet在80%以上场景准确率优于Transformer基线FormerTime、卷积模型TimesNet等，其中可变形补丁嵌入的两层卷积变体（DePatch-Conv-Conv）表现最佳，在FM和DDG数据集分别提升20%和22%性能，证明动态补丁机制对局部特征提取的有效性。预测任务中，模型在ETTh2、Illness等数据集上的均方误差（MSE）和平均绝对误差（MAE）显著低于PatchTST、iTransformer等，长预测长度（720步）时优势明显，全卷积块收敛速度比Transformer快32%。三阶段分层架构（小核→中等核→大核）较单/双阶段结构性能更优，可学习残差使分类性能平均提升4%。消融实验显示，移除可变形补丁或简化分层结构会导致误差显著增加。模型在计算效率上具线性复杂度优势，内存消耗低于同类模型，未来可进一步优化跨通道依赖和自动化调参。

4.未来工作

该论文的研究成果为时间序列预测领域提供了一个新的方向，但仍有一些问题需要进一步研究和解决。例如，如何确定三个阶段，加入更多的卷积核效果是否会更好，如何更好地捕捉跨通道（Cross-Channel）的依赖关系，提高多变量时间序列的建模能力，层级超参数需要针对具体数据集进行细致的调整，这一过程耗时且增加实施成本，如何利用神经架构搜索（NAS）技术自动调整模型结构，减少人工调参成本等。

报告时间：2025年05月23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)