Autoformer 之序列分解模块（Series Decomposition Block）的详细解释（附带详细时间序列数据举例）

序列分解模块（Series Decomposition Block）的详细解释

为了处理长期预测中的复杂时间模式，我们采用了分解的思想，该方法可以将时间序列分解为趋势-周期性部分和季节性部分。这两个部分分别反映了时间序列的长期进展和季节性变化。然而，直接对未来序列进行分解是不现实的，因为未来是未知的。为了解决这一难题，我们在 Autoformer 中引入了序列分解模块作为内部操作，逐步从预测的中间隐藏变量中提取长期稳定的趋势。具体而言，我们采用移动平均法来平滑周期波动并突出长期趋势。

序列分解过程

对于长度为$L$的输入序列$X\in {\mathbb{R}}^{L\times d}$，处理过程如下：

1. 移动平均：

   • 我们使用带有填充操作的平均池化（AvgPool）来保持序列长度不变。
   • 具体公式为：
     $$X_t=\text{AvgPool}(\text{Padding}(X))$$
   • 其中$X_t$表示提取的趋势-周期性部分。

2. 季节性部分：

   • 季节性部分通过从原始序列中减去趋势-周期性部分得到：
     $$X_s=X-X_t$$
   • 其中$X_s$表示季节性部分。

我们用$X_s,X_t=\text{SeriesDecomp}(X)$来总结上述方程，这个过程构成了模型的内部模块。

示例数据解释

假设我们有一个长度为 12 的月度销售额时间序列（单位：千元）：

月份	销售额 (千元)
1月	100
2月	120
3月	130
4月	150
5月	170
6月	180
7月	190
8月	200
9月	220
10月	230
11月	240
12月	260

具体计算过程

1. 趋势-周期性部分的提取：

   • 假设我们使用一个窗口大小为 3 的移动平均来平滑序列：

     月份	移动平均（趋势部分） (千元)
     1月	(100+120+130)/3 = 116.7
     2月	(120+130+150)/3 = 133.3
     3月	(130+150+170)/3 = 150
     4月	(150+170+180)/3 = 166.7
     5月	(170+180+190)/3 = 180
     6月	(180+190+200)/3 = 190
     7月	(190+200+220)/3 = 203.3
     8月	(200+220+230)/3 = 216.7
     9月	(220+230+240)/3 = 230
     10月	(230+240+260)/3 = 243.3
     11月	(240+260+260)/3 = 253.3
     12月	(260+260+260)/3 = 260

2. 季节性部分的计算：

   • 季节性部分通过从原始序列中减去趋势部分得到：

     月份	季节性部分 (千元)
     1月	100 - 116.7 = -16.7
     2月	120 - 133.3 = -13.3
     3月	130 - 150 = -20
     4月	150 - 166.7 = -16.7
     5月	170 - 180 = -10
     6月	180 - 190 = -10
     7月	190 - 203.3 = -13.3
     8月	200 - 216.7 = -16.7
     9月	220 - 230 = -10
     10月	230 - 243.3 = -13.3
     11月	240 - 253.3 = -13.3
     12月	260 - 260 = 0

总结

通过上述具体数据的示例，我们展示了序列分解模块如何将时间序列数据分解为趋势-周期性部分和季节性部分。这种分解方法通过移动平均平滑周期波动，突出长期趋势，适用于从预测的中间隐藏变量中逐步提取长期稳定的趋势。该过程在 Autoformer 中作为内部操作，有助于提高长期时间序列预测的准确性和稳定性。