在多变量时间序列预测中，结构性模式在多个时间尺度上展开，而大多数预测模型仅将学习到的表示视为暂时的副产品，未能充分利用这些模式的组织几何特征。我们提出了 M2Patch，这是一种基于 CNN 的预测架构，通过两个互补的可微约束将通道独立的多变量观测映射到结构化的潜在空间中。
M2Patch 使用多尺度分块技术将输入分解为重叠的时间粒度。深度可分离卷积结合渐进扩张以线性时间提取特定尺度的特征。每个尺度的学习投影将这些特征压缩为紧凑的潜在表示。
潜在空间通过内部尺度平滑约束组织，强制相邻块之间的时间连续性，并通过可学习的跨尺度映射实现外部尺度对齐，恢复通道独立设计中不同粒度之间的交互，确保所有尺度编码底层动态的一致表示。
在十个真实世界基准上的实验表明，M2Patch 在 40 种预测设置中取得了 57 个最佳和 34 个第二最佳结果，大多数基准上匹配或超过了代表性基准，同时保持线性计算复杂度和对块级输入损坏的鲁棒性。
博主点评： M2Patch 模型突破了传统时间序列预测的限制，以其创新的多尺度结构化潜在空间建模方法，不仅提升了预测精度，也为未来的研究提供了新的方向，值得关注。其在实际应用中的表现尤其令人瞩目，展示了强大的计算效率和鲁棒性。