CATS: 通过构建辅助时间序列作为外生变量增强多元时间序列预测

多元时间序列预测中，深度学习应用发现，单变量模型常常优于多元模型。为解决多元模型的不足，我们引入一种构建辅助时间序列（CATS）的方法，它类似于二维时态上下文注意机制，从原始时间序列（OTS）中生成辅助时间序列（ATS），以有效地表示和整合序列间关系进行预测。ATS 的关键原则 - 连续性、稀疏性和变动性 - 通过不同模块进行了识别和实现。即使使用基本的两层 MLP 作为核心预测器，CATS 也实现了最先进的水平，显著减少了复杂性和参数，相较于以往的多元模型，标志着它是一种高效且可迁移的 MTSF 解决方案。