Unicorn：通过通用相关模型扩展高维时间序列预测

现代时间序列架构面临着一个基本的权衡：通道无关的模型随着数据量的增加而很好地扩展，但忽略了关键的通道间依赖关系，而通道相关的模型具有表达能力，但仍然是“维数限制”，难以跨异构数据集进行泛化。为了弥补这一差距，我们引入了 Unicorn（通用相关网络），这是一个用于高维时间序列上可扩展的多数据集预训练的框架。 Unicorn 的核心是一个潜在的原型码本，它将相关建模与特定的通道身份解耦。通过将异构通道投影到共享的潜在空间中，UniCorN 学习与身份无关的可重用交互模式，这些模式可以跨具有不同维度和语义的领域进行传输。大量实验表明，Unicorn 的性能显着优于最先进的预测架构，特别是在少样本传输场景中，为多元时间序列基础模型提供了一条可扩展的路径。