近日，中國科學院合肥物質院智能所運動與健康中心北斗時空實驗室孟憲偉研究員團隊關于深度學習領域的研究工作“TimeCapsule: Solving the Jigsaw Puzzle of Long-Term Time Series Forecasting with Compressed Predictive Representations”被國際數據挖掘領域的頂級會議SIGKDD錄用。

用于長期時間序列預測 (LTSF) 的深度學習模型通常強調復雜的手工設計，然而，諸如線性模型或多層感知器 (MLP) 等更簡單的架構往往能勝過這些精密的解決方案。基于此，科研團隊重新審視并組織了經常被應用于先進的 LTSF 模型中幾項關鍵技術背后的核心思想，例如冗余縮減和多尺度建模，并通過簡化融合這些思想，更有效地利用深度學習構成一個具有通用泛化、高效精準預測能力的預測器TimeCapsule。

TimeCapsule是一種基于高維信息壓縮原則構建的模型，它在一個通用且簡化的框架內統一了這些技術。具體來說，它將時間序列建模為一個包含時間、變量和“水平層級”維度的高維信息載體，結合有損壓縮理論框架，利用張量模式乘積來捕獲多維度復雜依賴關系，同時實現維度壓縮的高效處理。另外，本工作還在壓縮表示域內提出了一種內部預測機制，并由聯合嵌入預測架構支持監控預測表示的學習。最后在豐富且具有挑戰性的基準測試上進行的廣泛實驗證明了方法的多功能性，實驗效果表明 TimeCapsule 可以在大量基準數據集上實現最先進的預測性能。

該工作得到了安徽省自然科學基金的支持。

據悉，國際知識發現與數據挖掘大會 (ACM SIGKDD Conference on Knowledge Discovery and Data Mining，簡稱KDD) 是數據挖掘領域最具權威性和影響力的國際學術會議之一，同時也是中國計算機學會（CCF）推薦的A類國際學術會議。KDD 2025二月輪的Research Track錄用率約為18.4%。

文章鏈接：https://arxiv.org/abs/2504.12721

模型結構圖總覽