基于自适应小波变换与混合注意力机制的时间序列预测模型SAMForecast：面向多领域复杂数据的解析与优化

本文推荐一篇创新性研究《SAMForecast: A Hybrid Model of Self-attention and Mamba with Adaptive Wavelet Transform for Time Series Forecasting》。作者提出融合自适应小波变换（AWB）、自注意力机制（Self-attention）和选择性状态空间模型（Mamba）的混合架构，通过专家混合网络（MoE）动态调整小波参数，解决了传统方法依赖人工调参的局限性。实验表明，该模型在能源、交通等领域多变量预测任务中平均精度提升2%，代码已开源。

　　

亮点

• 我们设计了SAMForecast模型，将Mamba与自注意力机制（Self-attention）结合，以挖掘时间序列数据中的复杂深层特征。

• 提出自适应小波变换模块（Adaptive Wavelet Transform），融合专家混合网络（MoE）的学习机制与提升小波变换（lifting wavelet），显著增强模型在不同场景下的适应性和鲁棒性。

• 实验部分，SAMForecast在交通、经济、天气等6个基准数据集上全面测试。结果表明，其多变量时间序列预测任务平均准确率提升2%。

结论

SAMForecast作为时间序列预测模型，整合了自适应小波变换的灵活性、Transformer架构的自注意力机制以及选择性状态空间模型的分析能力。通过自适应小波变换，模型能基于不同时间序列特征智能调整小波参数，利用专家混合网络与提升小波变换的协同作用，有效解决了传统方法中人工调参的局限性。

作者贡献声明

邓璐鹏：形式分析、资源管理、文稿审阅、项目管理、资金支持。林琪琪：方法论设计、软件开发、验证实验、数据整理、初稿撰写。

利益冲突声明

我们声明本研究不存在任何可能影响成果公正性的商业或关联利益冲突。