RPMixer：通过随机投影革新大规模时空数据的时间序列预测

时空预测系统在应对众多现实世界挑战中发挥着至关重要的作用。本文研究了利用通用时间序列预测模型解决时空预测问题的潜力，即不依赖节点间空间关系的模型。为此，我们提出了一种全多层感知机（all-Multi-Layer Perceptron, all-MLP）时间序列预测架构，命名为RPMixer。选择全MLP架构是基于其在近期时间序列预测基准测试中取得的优异表现。此外，我们的方法充分利用了深度神经网络所表现出的集成学习特性：在网络中，每个独立的模块均可视为集成模型中的基学习器，尤其在引入恒等映射残差连接时更为显著。通过在模型中引入随机投影（random projection）层，我们增强了各模块输出之间的多样性，从而有效提升了网络的整体性能。在最大规模的时空预测基准数据集上进行的大量实验表明，所提出的方法在性能上优于多种替代方案，包括时空图神经网络模型以及通用时间序列预测模型。