时间序列预测 | LightTS轻量采样的MLP结构网络用于多变量时间序列预测

首先，假设输入的时序维度为[B, T, N]，作者便做了2种采样：

• 连续采样：侧重于捕获短期局部模式。

• 间隔采样：侧重于捕获长期依赖性。

如下图所示，很好理解，新的数据维度为[B, C, T/C, N]，N代表时序的数量。

注意：论文上IEBlockC是直接出预测结果，但代码上，如上图红色标注补充，会有个从输入端过来的预测highway结果，然后和IEBlockCx相加后，作为最终预测输出。

之后经过一个Information Exchange Block (IEBlock)模块，这个模块很简单，就是对每条时序[B,C,T/C,1]分别做temporal projection (C维度上经过MLP) 和channel projection (T/C维度上经过MLP)，然后两个结果[B, F’, T/C]相加后，喂入MLP，得到最终输出，维度为[B,F,T/C,1]。

注意：论文上是temporal projection结果串联喂入channel projection，而代码实际上这两个projection是并行处理输入的，然后在相加后喂入output projection。

两种采样结果分别经过各自的IEBlock后，再经过线性层转换，合并结果ÿ