近日，中国科学院合肥物质院智能所运动与健康中心孟宪伟研究员团队在深度学习领域的研究取得新进展，其研究成果《时间胶囊：利用压缩预测表示解决长期时间序列预测的难题》（TimeCapsule: Solving the Jigsaw Puzzle of Long-Term Time Series Forecasting with Compressed Predictive Representations）被国际数据挖掘领域的顶级会议SIGKDD录用。

该研究针对长期时间序列预测（LTSF）领域存在的技术瓶颈展开攻关。当前主流的用于长期时间序列预测 (LTSF) 的深度学习模型通常强调复杂的手工设计，但研究发现，简单的线性模型或多层感知器（MLP）反而能取得更好的预测效果。基于此，研究团队系统梳理了先进LTSF模型中的关键技术思想，例如冗余缩减和多尺度建模，通过创新性的简化融合，成功构建出具有通用泛化能力和高效精准预测性能的新型预测器TimeCapsule。

TimeCapsule是一种基于高维信息压缩原则构建的模型，它在一个通用且简化的框架内统一了这些技术。具体来说，它将时间序列建模为一个包含时间、变量和“水平层级”维度的高维信息载体，结合有损压缩理论框架，利用张量模式乘积来捕获多维度复杂依赖关系，同时实现维度压缩的高效处理。另外，本工作还在压缩表示域内提出了一种内部预测机制，并采用联合嵌入预测架构对预测表示的学习过程进行监控。

在丰富且具有挑战性的基准测试中，TimeCapsule模型展现出卓越的性能。实验结果表明，该模型在大量基准数据集上都能实现当前最先进的预测效果，充分验证了其方法的多功能性和技术优势。

该工作得到了安徽省自然科学基金的支持。

据悉，国际知识发现与数据挖掘大会 (ACM SIGKDD Conference on Knowledge Discovery and Data Mining) 是数据挖掘领域最具权威性和影响力的国际学术会议之一，同时也是中国计算机学会（CCF）推荐的A类国际学术会议。SIGKDD 2025二月轮的Research Track录用率约为18.4%。

文章链接：https://arxiv.org/abs/2504.12721

模型结构图总览