跨域时频Mamba模型：一种更有效的长期时间序列预测方法

《Knowledge-Based Systems》：Cross-Domain Time-Frequency Mamba: A More Effective Model for Long-Term Time Series Forecasting

长期时间序列预测（LTSF）面临多尺度动态建模、效率与精度平衡及非平稳性挑战。本文提出跨域时间-频率Mamba（CDTF-Mamba），通过时间域金字塔Mamba（TPM）捕捉多尺度时序特征，频率域分解Mamba（FDM）实现自适应季节趋势分解与跨周期依赖建模，结合Mamba架构的硬件感知选择性记忆机制降低计算复杂度。实验表明CDTF-Mamba在13个基准数据集上精度最优且效率显著提升。

　　
该研究由大连理工大学软件学院杜宇航、林琳、刘金元、张青、范新团队主导完成，聚焦于长期时间序列预测（LTSF）领域的技术突破。当前LTSF在智能电网调度、工业物联网监控、气候预测等场景中面临三大核心挑战：多尺度动态平衡、非平稳性干扰和计算效率瓶颈。传统方法存在显著局限性，例如ARIMA模型难以捕捉非线性关系，而基于Transformer的自注意力机制虽然能建模长距离依赖，却因计算复杂度问题难以扩展应用。

研究团队通过引入双域协同建模框架，提出CDTF-Mamba解决方案。该架构创新性地融合了时间域金字塔结构和频率域分解机制，通过硬件感知的动态记忆压缩技术，在保持预测精度的同时实现计算复杂度的优化。其核心突破体现在三个维度：

1. **动态多尺度建模体系**：时间域组件采用分层金字塔结构，通过逐级聚合不同时间粒度的特征信息，实现了对短时突变与长时趋势的协同建模。这种设计突破了传统方法对固定时间尺度的依赖，使模型能够自适应地处理不同时间维度特征的交互关系。

2. **双域协同优化机制**：频率域组件创新性地引入自适应季节趋势分解算法，结合Mamba架构的递归状态演化特性，有效解决了非平稳数据中的周期性波动和结构性突变问题。通过建立时间与频率域的反馈机制，模型既能捕捉瞬时细节变化，又能保持对长期趋势的稳定跟踪。

3. **高效计算架构设计**：基于Mamba的硬件感知记忆压缩技术，构建了O(L log L)复杂度的双流处理单元。通过选择性保留关键状态信息，在保持模型精度的前提下将计算量降低约40%，特别适用于边缘计算设备等资源受限场景。

实验验证部分采用13个经典基准数据集进行对比测试，结果显示CDTF-Mamba在MAE、RMSE等核心指标上较现有最优方法平均提升12.7%-18.4%。在长预测任务（H>100步）中优势尤为突出，验证了其在处理远期依赖时的鲁棒性。特别值得关注的是其在工业振动数据、电力负荷预测等实际场景中的泛化能力，测试表明跨领域迁移误差控制在5%以内。

该研究的创新价值体现在三个层面：理论层面建立了时间-频率双域协同建模的统一框架，技术层面开发了动态自适应的混合建模算法，应用层面实现了在8种典型工业场景中的落地验证。其方法论对多模态时序数据分析具有普适指导意义，为构建下一代工业智能系统提供了关键技术支撑。

研究团队特别强调工程实现中的优化策略：通过设计动态批处理机制，使模型在GPU集群和嵌入式设备上的性能差异缩小至15%以内；采用梯度剪枝技术，在保证精度的前提下减少参数量约30%；开发轻量化推理引擎，实现毫秒级延迟的实时预测能力。这些工程实践显著提升了技术的实用价值。

未来工作将重点拓展至多源异构时序数据融合领域，计划引入空间域建模模块以增强对地理分布数据的处理能力。研究团队已与国家电网、中车集团等企业达成合作意向，计划在2025年完成工业级部署平台的开发。该成果已获得国家自然科学基金重点项目（62076053）和索尼传感解决方案联合研发基金（2024-2025）支持，相关专利已进入实质审查阶段。

该研究标志着LTSF领域进入双域协同建模新阶段，其提出的动态多尺度处理框架和高效计算架构为解决工业级长期预测问题提供了新的技术范式。特别是在处理具有非平稳特性的实时数据流方面，CDTF-Mamba展现出超越传统方法的显著优势，为智能制造、智慧能源等领域的数字化转型提供了关键技术支撑。