用于多变量时间序列预测的多尺度模型A multiscale model for multivariate time series forecasting

研究背景与动机​

1. ​问题提出​：
   现有时间序列预测模型（如Transformer变体）大多基于单一时间尺度，难以捕捉多粒度时间模式（如小时、日、季节），且常忽略变量间的跨通道相关性，导致预测精度受限。

   

2. ​现有方法局限​：

   • 多尺度模型（如Scaleformer）需为不同尺度分配独立参数，增加计算复杂度与过拟合风险。
   • 通道相关性建模不足（如PatchTST采用通道独立处理）。
   • 解码器使用单层线性映射，在长预测范围中易受噪声干扰。

---

​模型创新：MultiPatchFormer​

1. ​多尺度嵌入（Multi-scale Embedding）​​

• ​设计​：输入序列通过4种不同长度的Patch​（如8/16/24/48）分割，每尺度使用独立1D卷积映射至子空间（维度=dmodel​/4），再拼接为统一特征表示。
• ​优势​：共享参数捕捉跨尺度时序模式（如电力数据的日/月周期），避免多套参数。

2. ​双阶段编码器​