Learning Recursive Multi-Scale Representations for Irregular Multivariate Time Series Forecasting

📄 arXiv: 2602.21498v1 📥 PDF

作者: Boyuan Li, Zhen Liu, Yicheng Luo, Qianli Ma

分类: cs.LG

发布日期: 2026-02-25

备注: Accepted in ICLR 2026

🔗 代码/项目: GITHUB

💡 一句话要点

提出ReIMTS，通过递归多尺度建模解决不规则多元时间序列预测问题。

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

关键词: 不规则时间序列 多元时间序列 时间序列预测 多尺度建模 递归神经网络

📋 核心要点

  1. 现有IMTS预测方法依赖重采样，破坏了原始时间戳的采样模式信息，影响预测精度。
  2. ReIMTS通过递归分割样本为不同时间周期的子样本，保留原始时间戳，捕捉全局到局部的依赖关系。
  3. 实验结果表明，ReIMTS在多个真实数据集上，相比现有方法，预测性能平均提升了27.1%。

📝 摘要（中文）

不规则多元时间序列(IMTS)的特点是连续时间戳之间的时间间隔不均匀，这种间隔包含了采样模式信息，对于学习时间依赖性和变量依赖性至关重要。此外，IMTS通常表现出跨多个时间尺度的多样化依赖关系。然而，许多现有的多尺度IMTS方法使用重采样来获得粗略序列，这会改变原始时间戳并破坏采样模式信息。为了解决这个挑战，我们提出了ReIMTS，一种用于不规则多元时间序列预测的递归多尺度建模方法。ReIMTS不进行重采样，而是保持时间戳不变，并将每个样本递归地分割成时间周期逐渐缩短的子样本。基于这些由长到短的子样本中的原始采样时间戳，提出了一种感知不规则性的表示融合机制，以捕获全局到局部的依赖关系，从而实现准确的预测。大量实验表明，在不同的模型和真实世界数据集中，预测任务的平均性能提高了27.1%。我们的代码可在https://github.com/Ladbaby/PyOmniTS上找到。

🔬 方法详解

问题定义：不规则多元时间序列(IMTS)预测问题，其挑战在于时间戳间隔不均匀，且存在多尺度依赖关系。现有方法如重采样会改变原始时间戳，丢失重要的采样模式信息，导致预测精度下降。

核心思路：ReIMTS的核心思路是不进行重采样，而是通过递归地将时间序列样本分割成多个子样本，每个子样本对应不同的时间尺度。这样可以保留原始时间戳信息，并利用这些信息来学习不同时间尺度上的依赖关系。

技术框架：ReIMTS的整体框架包括以下几个主要步骤：1) 递归分割：将原始时间序列递归地分割成多个子样本，每个子样本具有不同的时间周期。2) 特征提取：对每个子样本提取特征，这些特征可以包括时间戳信息和变量值。3) 表示融合：使用一种感知不规则性的表示融合机制，将不同时间尺度上的特征融合起来，得到一个综合的表示。4) 预测：使用融合后的表示进行时间序列预测。

关键创新：ReIMTS的关键创新在于其递归多尺度建模方法和感知不规则性的表示融合机制。递归多尺度建模方法可以有效地保留原始时间戳信息，并学习不同时间尺度上的依赖关系。感知不规则性的表示融合机制可以根据时间戳的间隔来调整不同时间尺度特征的权重，从而更好地捕捉不规则时间序列的特性。

关键设计：ReIMTS的关键设计包括：1) 递归分割的深度：需要根据具体的数据集来调整递归分割的深度，以获得最佳的性能。2) 特征提取的方法：可以使用各种时间序列特征提取方法，如滑动窗口统计、傅里叶变换等。3) 表示融合的机制：可以使用注意力机制或者其他加权平均方法来实现感知不规则性的表示融合。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ReIMTS在多个真实世界数据集上显著优于现有方法。例如，在某些数据集上，ReIMTS的预测性能平均提升了27.1%。与传统的重采样方法相比，ReIMTS能够更好地保留原始时间戳信息，从而获得更准确的预测结果。

🎯 应用场景

ReIMTS可应用于医疗健康、金融、物联网等领域，例如：患者生理指标预测、股票价格预测、传感器数据分析等。通过更准确地预测不规则时间序列，可以帮助人们更好地理解和控制复杂系统，具有重要的实际应用价值和潜在的未来影响。

📄 摘要（原文）

Irregular Multivariate Time Series (IMTS) are characterized by uneven intervals between consecutive timestamps, which carry sampling pattern information valuable and informative for learning temporal and variable dependencies. In addition, IMTS often exhibit diverse dependencies across multiple time scales. However, many existing multi-scale IMTS methods use resampling to obtain the coarse series, which can alter the original timestamps and disrupt the sampling pattern information. To address the challenge, we propose ReIMTS, a Recursive multi-scale modeling approach for Irregular Multivariate Time Series forecasting. Instead of resampling, ReIMTS keeps timestamps unchanged and recursively splits each sample into subsamples with progressively shorter time periods. Based on the original sampling timestamps in these long-to-short subsamples, an irregularity-aware representation fusion mechanism is proposed to capture global-to-local dependencies for accurate forecasting. Extensive experiments demonstrate an average performance improvement of 27.1\% in the forecasting task across different models and real-world datasets. Our code is available at https://github.com/Ladbaby/PyOmniTS.