SDMixer: 시계열 예측을 위한 희소 이중 믹서

SDMixer: Sparse Dual-Mixer for Time Series Forecasting

다변량 시계열 예측은 교통, 에너지, 금융 등 다양한 분야에서 널리 활용됩니다. 그러나, 일반적으로 데이터는 다중 스케일 특성, 약한 상관관계, 노이즈 간섭 등의 문제를 가지고 있으며, 이는 기존 모델의 예측 성능을 제한합니다. 본 논문에서는 주파수 및 시간 도메인에서 시퀀스 데이터로부터 전역적인 추세와 지역적인 동적 특징을 추출하는 이중 스트림의 희소 믹서 예측 프레임워크를 제안합니다. 이 프레임워크는 희소성 메커니즘을 사용하여 유효하지 않은 정보를 제거함으로써, 변수 간의 의존성 모델링 정확도를 향상시킵니다. 실험 결과는 이 방법이 다양한 실제 시나리오 데이터셋에서 뛰어난 성능을 달성하며, 그 효과성과 일반성을 입증합니다. 코드 및 관련 자료는 https://github.com/SDMixer/SDMixer 에서 확인할 수 있습니다.

Multivariate time series forecasting is widely applied in fields such as transportation, energy, and finance. However, the data commonly suffers from issues of multi-scale characteristics, weak correlations, and noise interference, which limit the predictive performance of existing models. This paper proposes a dual-stream sparse Mixer prediction framework that extracts global trends and local dynamic features from sequences in both the frequency and time domains, respectively. It employs a sparsity mechanism to filter out invalid information, thereby enhancing the accuracy of cross-variable dependency modeling. Experimental results demonstrate that this method achieves leading performance on multiple real-world scenario datasets, validating its effectiveness and generality. The code is available at https://github.com/SDMixer/SDMixer