解耦结构化组件：迈向自适应、可解释且可扩展的时间序列预测

多变量时间序列（Multivariate Time-Series, MTS）预测是众多现实应用场景中一个关键且基础性的问题。MTS预测的核心挑战在于如何有效建模复杂的时空模式。本文提出了一种自适应、可解释且可扩展的预测框架，旨在对时空模式的各个组成部分进行独立建模。我们将该框架命名为SCNN，即“结构化分量神经网络”（Structured Component-based Neural Network）的缩写。SCNN基于预定义的MTS生成过程，该过程通过算术方式刻画时空模式的潜在结构。遵循其逆过程，SCNN将MTS数据分解为结构化且异质的多个分量，并分别外推这些分量的演化过程。由于各分量的动态演化规律相较于原始MTS更为可追溯、更易预测，因此提升了整体预测性能。通过在三个真实世界数据集上的大量实验，验证了SCNN在性能上显著优于当前最先进的模型。此外，本文还对SCNN在不同配置下的表现进行了系统性分析，并深入探讨了其内在特性。