【AAAI2025】计算机视觉|P-sLSTM:P-sLSTM：让LSTM在时间序列预测领域“重获新生”

论文地址：https://arxiv.org/pdf/2408.10006
代码地址： https://github.com/Eleanorkong/P-sLSTM

---

关注UP CV缝合怪，分享最计算机视觉新即插即用模块，并提供配套的论文资料与代码。
https://space.bilibili.com/473764881

摘要

传统的循环神经网络结构，如长短期记忆神经网络 (LSTM)，在时间序列预测 (TSF) 任务中一直扮演着重要的角色。虽然最近为自然语言处理 (NLP) 引入的 sLSTM 引入了指数门控和记忆混合，这有利于长期序列学习，但其潜在的短时记忆问题是直接在 TSF 中应用 sLSTM 的一个障碍。为了解决这个问题，本研究提出了一种简单而有效的算法，名为 P-sLSTM，它建立在 sLSTM 的基础上，结合了分块和通道独立性。这些修改显著提高了 sLSTM 在 TSF 中的性能，达到了最先进的结果。此外，本研究为所提出的设计提供了理论上的论证，并进行了广泛的比较和分析实验，以充分验证模型的效率和卓越性能。

引言

时间序列预测（TSF）是统计学和机器学习中的一个重要研究领域，在金融预测、交通和人类轨迹预测等领域具有广泛的应用。传统上，循环神经网络（RNNs）是建模序列数据的基石，因为它们具有捕捉时间依赖性的内在能力。在不同的RNN架构中，**长短期记忆网络（LSTM）**由于其解决了传统RNN的梯度消失和爆炸问题，并在长序列上表现出更好的性能，因此是最受欢迎和成功的网络之一。许多研究人员已经采用LSTM网络来预测各种时间序列数据，证明了它们在各个领域的有效性。

然而，LSTM在TSF中存在一些局限性。首先，尽管LSTM旨在捕捉比传统RNN更长的序列相关性，但它在统计和实验上都未能记住长序列信息。此外，LSTM缺乏利用其历史遗忘门动态修改存储决策的能力，这限制了它们适应数据变化的能力。因此，传统的RNN逐渐失去了其在时间序列任务中的主导地位，TSF的排行榜现在主要由Transformer和**多层感知机（MLPs）**等替代架构占据。

尽管存在这些限制，LSTM以及更广泛的RNN由于其优势，仍然是强大的工具和有希望的研究方向。首先，与大多数基于Transformer的模型相比，RNN具有更低的时间复杂度和内存复杂度，这使得它们在某些应用中更有效率。其次，RNN具有清晰的时间流，这使得它们更容易解释其决策，并理解信息如何在序列中流动，而Transformer和MLP结构则难以做到这一点。同时，**状态空间模型（SSMs）**在TSF和更广泛的深度学习研究领域受到了广泛关注。与其他黑盒深度学习模型相比，SSM可以从统计和物理角度进行解释，从而可能提供更好的可解释性。研究人员已经表明，LSTM/RNN可以被视为SSM的一种特殊情况，其中循环过程说明了信息的流动。因此，从这些发现的角度来看，LSTM/RNN也是一个合理的研究方向。

最近，LSTM的一个高级版本，名为sLSTM，被引入，它表明不仅可以修改记忆存储决策，还可以提高其记忆容量，从而在各种自然语言处理（NLP）任务中实现非常有竞争力的性能。鉴于高级LSTM在NLP中的成功，本研究旨在探索LSTM在时间序列预测中的潜力。本研究通过重新提出用于多元TSF的sLSTM，从而开发了一种名为P-sLSTM的新方法，从而对这个问题给出了肯定的答案。

论文创新点

本研究针对长时程时间序列预测（TSF）任务中传统LSTM的局限性，提出了P-sLSTM模型，其创新点主要体现在以下几个方面：

1. 💡 理论层面，阐释了sLSTM的优势： 💡

   • 本研究深入分析了sLSTM相较于传统LSTM的改进之处，特别是在记忆容量和记忆存储修正方面的优势。
   • sLSTM通过引入指数门控机制，为遗忘门提供了更广泛的数值范围，从而使模型能够动态调整过去信息的权重，更灵活地适应时间序列数据的变化。
   • 这种机制有助于缓解传统LSTM中存在的梯度消失问题，使模型在处理长序列时能够更好地捕捉长期依赖关系。

2. ⚠️ 指出sLSTM的局限性： ⚠️

   • 本研究严谨地证明了sLSTM并非总能保证具有长记忆性，无法保证完全捕捉长期依赖关系。
   • 研究表明，sLSTM的记忆特性与遗忘门的输出密切相关。当遗忘门的输出小于1时，sLSTM表现出与传统LSTM类似的几何遍历性和短时记忆性。
   • 而当遗忘门的输出大于1时，可能导致细胞状态的指数增长，从而引发计算问题并降低模型整合新信息的能力。

3. 🧩 引入Patching技术： 🧩

   • 为了解决sLSTM潜在的短时记忆问题，本研究借鉴了Transformer架构中patch的思想，将原始时间序列分割成多个片段。
   • 通过这种方式，P-sLSTM能够提取不同的短期信息，并通过线性层将这些信息组合起来，从而获得全局信息。
   • Patching技术有效地弥补了sLSTM在捕捉长期依赖关系方面的不足，使模型能够更好地处理长时程时间序列数据。

4. 🔀 应用通道独立性（Channel Independence）： 🔀

   • 本研究首次将通道独立性（CI）技术应用于基于RNN的模型中进行TSF。
   • 通道独立性通过避免通道间的混合，有效防止过拟合问题，并提高计算效率。
   • 实验结果表明，CI P-sLSTM具有更高的训练误差，但验证误差和测试误差更低，这表明CI能够显著提升模型的泛化能力。

5. 🧪 实验验证： 🧪

   • 本研究在多个数据集上进行了大量实验，结果表明P-sLSTM的性能优于原始LSTM，并在大多数情况下与最先进的模型具有可比性。
   • 消融实验进一步验证了记忆混合和通道独立性在提升模型性能方面的作用。
   • 此外，研究还分析了不同patch大小对预测精度的影响，并探讨了look-back window大小对模型捕捉长期依赖关系能力的影响。这些实验结果充分验证了P-sLSTM的有效性和优越性。

论文实验