解耦可解释表征用于高效长时序预测

工业5.0为长期时间序列预测（Long-term Time Series Forecasting, LTSF）带来了新的挑战，其特征表现为高维、高分辨率的数据以及高风险的应用场景。在此背景下，开发高效且可解释的LTSF模型成为关键难题。现有的深度学习与线性模型通常存在参数量过大、可解释性不足的问题。为应对上述挑战，本文提出DiPE-Linear——一种解耦可解释的参数高效线性网络。DiPE-Linear引入三种时间建模组件：静态频域注意力（Static Frequential Attention, SFA）、静态时域注意力（Static Temporal Attention, STA）以及独立频域映射（Independent Frequential Mapping, IFM）。这些组件在频域与时域之间交替学习，实现解耦式的可解释性。该分解式模型结构将参数复杂度从全连接网络（Fully Connected Networks, FCs）中的二次方降低至线性，计算复杂度则从二次方降至对数线性。此外，引入低秩权重共享策略，显著提升了模型对多变量序列的处理能力。尽管DiPE-Linear在全连接网络的子空间中运行，表达能力受限，但在多个开源及真实世界LTSF数据集上，其性能仍可与全连接网络及非线性模型相媲美，甚至表现更优，充分验证了其精心设计结构的有效性。效率、准确性与可解释性的有机结合，使DiPE-Linear成为推动LTSF在学术研究与实际应用中发展的有力候选方案。源代码已开源，地址为：https://github.com/wintertee/DiPE-Linear。