SparseTSF：基于1k参数的长期时间序列预测建模

本文提出了一种名为SparseTSF的新型极轻量级模型，用于长期时间序列预测（Long-term Time Series Forecasting, LTSF），旨在以极低的计算资源消耗，有效建模长时间跨度下的复杂时序依赖关系。SparseTSF的核心创新在于其“跨周期稀疏预测”（Cross-Period Sparse Forecasting）技术，该技术通过解耦时间序列中的周期性与趋势成分，简化了预测任务。具体而言，该方法通过对原始序列进行下采样，聚焦于跨周期趋势的预测，从而在有效提取周期性特征的同时，显著降低模型复杂度与参数量。基于此技术，SparseTSF模型仅使用少于1k个参数，即可在性能上达到或超越当前最先进的模型。此外，SparseTSF展现出卓越的泛化能力，尤其适用于计算资源受限、样本量小或数据质量较低的现实场景。代码已开源，可通过以下仓库获取：https://github.com/lss-1138/SparseTSF。