摘要

本文介绍了一种名为xLSTMTime的新型时间序列预测模型，该模型基于改进的LSTM架构，特别适用于多变量长期时间序列预测（LTSF）。在近年来，基于Transformer的模型在LTSF领域取得了显著进展，但它们面临着高计算需求、难以捕捉时间动态和处理长期依赖等问题。本文提出的xLSTMTime模型通过引入指数门控和改进的记忆结构，显著提高了预测性能，并在多个真实世界数据集上与现有最先进模型进行了比较，展示了其优越的预测能力。研究结果表明，经过精细调整的循环架构可以为LTSF任务提供有竞争力的替代方案，可能重新定义时间序列预测的领域。

原理

xLSTMTime模型的核心在于其对传统LSTM架构的改进，引入了指数门控机制和增强的记忆结构。指数门控通过改进模型对输入和遗忘门控的处理，提高了模型对长期依赖的捕捉能力。改进的记忆结构，包括标量和矩阵两种变体，增强了模型的记忆容量和信息处理效率。这些改进使得xLSTMTime能够在处理复杂的时间序列数据时，更有效地学习和预测未来的趋势。

流程

xLSTMTime的工作流程包括数据预处理、模型训练和预测三个主要阶段。首先，输入的时间序列数据通过分解模块被分为趋势和季节性两个部分，然后通过线性变换和批量归一化处理，为输入到xLSTM模块做准备。在xLSTM模块中，根据数据集的特性选择使用sLSTM或mLSTM组件进行处理。最后，通过实例归一化和线性层处理，输出最终的预测结果。例如，在处理ETTm1数据集时，模型能够准确捕捉到数据的周期性和变化趋势，从而生成高质量的预测。

应用

xLSTMTime模型在多个领域具有广泛的应用前景，包括但不限于能源管理、交通流量预测、金融市场分析和天气预报等。其高效的预测能力和对长期依赖的处理使其成为处理复杂时间序列问题的有力工具。随着进一步的研究和优化，xLSTMTime有望在更多领域发挥重要作用，推动时间序列预测技术的发展。