局部注意力机制提升Transformer长序列时间预测

摘要

Transformer已成为自然语言处理领域的主流架构，其在时间序列分析（尤其是长周期预测）中也展现出卓越的性能与效率。本文提出局部注意力机制（LAM），一种专为时间序列设计的高效注意力机制。该机制利用时间序列的连续性特征减少注意力分数计算量，并通过张量代数实现O(nlogn)的时间与内存复杂度，较传统注意力机制的O(n^2)显著优化。此外，针对长周期预测模型评估数据集的不足，本文提出一组新数据集。实验表明，搭载LAM的Transformer架构优于现有最先进模型（包括传统注意力机制），验证了该方法的有效性，并揭示了长序列时间序列预测的未来研究方向。

核心贡献

1. 局部注意力机制（LAM）：通过局部性假设降低计算复杂度，同时保持全局建模能力。
2. 高效算法实现：基于张量运算的算法设计，确保O(nlogn)复杂度。
3. 新评估数据集：填补长周期预测领域的数据空白，促进模型公平对比。
4. 实验验证：在多项基准测试中，LAM-Transformer均超越现有模型（如传统注意力机制）。

未来挑战

• 进一步探索LAM在超高维时间序列中的应用
• 优化机制对非平稳序列的适应性
• 研究与其他高效注意力变体的协同潜力