IndexNet: Timestamp and Variable-Aware Modeling for Time Series Forecasting

📄 arXiv: 2509.23813v2 📥 PDF

作者: Beiliang Wu, Peiyuan Liu, Yifan Hu, Luyan Zhang, Ao Hu, Zenglin Xu

分类: cs.LG, cs.AI

发布日期: 2025-09-28 (更新: 2025-10-02)

💡 一句话要点

IndexNet：针对时间序列预测，提出时间戳和变量感知的建模方法

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列预测 多元时间序列 时间戳嵌入 变量嵌入 深度学习 MLP 索引嵌入

📋 核心要点

  1. 现有时间序列预测方法忽略了时间戳和变量索引等重要信息，限制了模型对上下文语义的理解。
  2. IndexNet通过引入索引嵌入模块，将时间戳和变量信息嵌入到模型中，增强了模型对周期性和异构变量的建模能力。
  3. 实验结果表明，IndexNet在多个数据集上取得了与主流方法相当的性能，并展现出良好的通用性和可解释性。

📝 摘要（中文）

多元时间序列预测(MTSF)在天气预测和交通流量预测等广泛的实际应用中起着至关重要的作用。尽管最近的进展显著改进了时间动态和变量间依赖关系的建模，但大多数现有方法忽略了与索引相关的描述性信息，例如时间戳和变量索引，这些信息携带丰富的上下文语义。为了释放这些信息的潜力，并利用基于MLP架构的轻量级和强大的周期捕获能力，我们提出了IndexNet，这是一个基于MLP的框架，并增强了索引嵌入(IE)模块。IE模块由两个关键组件组成：时间戳嵌入(TE)和通道嵌入(CE)。具体来说，TE将时间戳转换为嵌入向量并将其注入到输入序列中，从而提高模型捕获长期复杂周期模式的能力。同时，CE根据每个变量的索引为其分配一个唯一的、可训练的身份嵌入，从而使模型能够显式地区分异构变量，并避免在输入序列看起来接近时产生同质化预测。在12个不同的真实世界数据集上进行的大量实验表明，IndexNet在主流基线上实现了可比的性能，验证了我们的时间和变量感知设计的有效性。此外，即插即用实验和可视化分析进一步表明，IndexNet表现出强大的通用性和可解释性，这两个方面在当前的MTSF研究中仍未得到充分探索。

🔬 方法详解

问题定义：多元时间序列预测旨在根据历史数据预测未来一段时间内的多个变量的值。现有方法在建模时间动态和变量间依赖关系方面取得了进展，但忽略了时间戳和变量索引等与索引相关的描述性信息。这些信息包含了丰富的上下文语义，例如时间戳可以反映周期性模式，变量索引可以区分不同类型的变量。忽略这些信息会导致模型无法充分理解时间序列数据的内在规律，从而影响预测精度。

核心思路：IndexNet的核心思路是将时间戳和变量索引信息显式地嵌入到模型中，从而增强模型对时间序列数据的理解能力。具体来说，IndexNet引入了一个索引嵌入(IE)模块，该模块包含时间戳嵌入(TE)和通道嵌入(CE)两个组件。TE将时间戳转换为嵌入向量，并将其注入到输入序列中，从而使模型能够捕获长期复杂的周期模式。CE为每个变量分配一个唯一的、可训练的身份嵌入，从而使模型能够区分异构变量，避免同质化预测。

技术框架：IndexNet是一个基于MLP的框架，其整体架构如下：首先，将输入时间序列数据和索引信息输入到索引嵌入(IE)模块中，得到增强后的输入序列。然后，将增强后的输入序列输入到MLP网络中进行预测。最后，输出预测结果。IE模块包含时间戳嵌入(TE)和通道嵌入(CE)两个组件。TE将时间戳转换为嵌入向量，并将其注入到输入序列中。CE为每个变量分配一个唯一的、可训练的身份嵌入。

关键创新：IndexNet的关键创新在于引入了索引嵌入(IE)模块，该模块能够将时间戳和变量索引信息显式地嵌入到模型中。与现有方法相比，IndexNet能够更好地利用时间序列数据中的上下文语义，从而提高预测精度。此外，IndexNet采用基于MLP的架构，具有轻量级和强大的周期捕获能力。

关键设计：时间戳嵌入(TE)采用正弦余弦函数将时间戳转换为嵌入向量。通道嵌入(CE)为每个变量分配一个可训练的嵌入向量。损失函数采用均方误差(MSE)。MLP网络的层数和神经元个数根据具体数据集进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

IndexNet在12个真实世界数据集上进行了广泛的实验，结果表明，IndexNet在主流基线上实现了可比的性能，验证了其有效性。例如，在某些数据集上，IndexNet的预测精度优于现有方法。此外，即插即用实验表明，IndexNet可以很容易地集成到其他模型中，进一步提高预测精度。可视化分析表明，IndexNet能够有效地捕获时间序列数据中的周期性模式和变量间的依赖关系。

🎯 应用场景

IndexNet可应用于各种需要多元时间序列预测的领域，例如天气预测、交通流量预测、金融市场预测、电力负荷预测等。通过更准确地预测未来趋势，IndexNet可以帮助决策者做出更明智的决策，提高资源利用效率，降低风险，并创造更大的经济价值。此外，IndexNet的可解释性使其能够帮助用户理解时间序列数据的内在规律，从而更好地进行业务分析和优化。

📄 摘要（原文）

Multivariate time series forecasting (MTSF) plays a vital role in a wide range of real-world applications, such as weather prediction and traffic flow forecasting. Although recent advances have significantly improved the modeling of temporal dynamics and inter-variable dependencies, most existing methods overlook index-related descriptive information, such as timestamps and variable indices, which carry rich contextual semantics. To unlock the potential of such information and take advantage of the lightweight and powerful periodic capture ability of MLP-based architectures, we propose IndexNet, an MLP-based framework augmented with an Index Embedding (IE) module. The IE module consists of two key components: Timestamp Embedding (TE) and Channel Embedding (CE). Specifically, TE transforms timestamps into embedding vectors and injects them into the input sequence, thereby improving the model's ability to capture long-term complex periodic patterns. In parallel, CE assigns each variable a unique and trainable identity embedding based on its index, allowing the model to explicitly distinguish between heterogeneous variables and avoid homogenized predictions when input sequences seem close. Extensive experiments on 12 diverse real-world datasets demonstrate that IndexNet achieves comparable performance across mainstream baselines, validating the effectiveness of our temporally and variably aware design. Moreover, plug-and-play experiments and visualization analyses further reveal that IndexNet exhibits strong generality and interpretability, two aspects that remain underexplored in current MTSF research.