时间序列预测在能源、金融、医疗等领域至关重要，但传统模型面临两难：独立建模通道易忽略交互信息，全局依赖建模则存在过平滑和计算冗余问题。

为此，时序即插即用模块应运而生，通过轻量化组件动态优化通道交互与特征表达，平衡性能与效率。其核心在于"动态适配"与"多域协同"，研究者设计通用模块，在不改变主干架构的情况下增强模型自适应能力。未来，该领域将向多维耦合与可解释性深入发展，如融合时空图网络建模复杂系统，或通过频域可视化揭示决策逻辑。

我这边也已经帮同学们整理好了【7篇时序即插即用模块】的一些前沿文章，不想多花时间找资料的可以直接拿，希望能帮到你。

感兴趣的可以  [丝 xin]  我~~

更多论文姿.料【时序之心】

【论文1】《From Similarity to Superiority: Channel Clusteringfor Time Series Forecasting》

研究方法

• 问题分析与动机探索：通过观察时间序列模型性能提升与通道混合之间的相关性，以及通道间内在相似性对模型性能的影响，发现现有CI和CD策略的局限性，从而提出基于通道相似性的聚类方法来平衡两者。

• 通道聚类模块（CCM）设计：

  • 通道聚类与原型学习：初始化聚类嵌入，将输入的每个通道通过MLP转换为通道嵌入，计算通道与聚类的关联概率，利用基于掩码的跨注意力机制生成每个聚类的原型嵌入，更新聚类嵌入。

  • 聚类感知前馈网络：为每个聚类分配独立的前馈网络，根据通道的聚类概率对各聚类的前馈网络输出进行加权平均，得到最终预测结果。

  • 零样本预测实现：借助训练阶段得到的原型嵌入，计算未见样本与预训练聚类的聚类概率分布，进而进行零样本预测。

• 损失函数设计：提出ClusterLoss，结合通道与各自聚类的对齐程度以及不同聚类之间的区分度，与预测损失共同构成整体损失函数，用于优化模型。

• 实验验证：在多个真实世界数据集上进行实验，包括长期预测、短期预测和零样本预测场景，验证CCM的有效性。选取多种主流时间序列模型作为基线模型，对比应用CCM前后的性能差异，并与其他现有方法如PRReg进行比较。

创新点

• 提出全新的通道策略：首次引入通道聚类的概念，将通道按照内在相似性进行分组，并基于聚类信息而非传统通道身份进行建模，有效平衡了通道独立处理与跨通道建模之间的关系，克服了CI和CD策略的固有缺陷。

• 即插即用的模块设计：CCM具有通用性和即插即用特性，可适配大多数主流时间序列模型，如TSMixer、DLinear、PatchTST和TimesNet等，无需对原模型进行大规模修改，即可快速提升模型性能。

• 零样本预测能力：通过学习聚类原型，使时间序列模型具备对未见样本的零样本预测能力，拓展了模型的应用范围，尤其适用于数据隐私受限或重新训练成本高的场景。

• 自监督学习机制：所提出的ClusterLoss能够在无需外部标签或注释的情况下，自监督地学习出有意义的时间序列原型，降低了对标注数据的依赖，提高了模型的适用性和鲁棒性。

论文链接：[2404.01340] From Similarity to Superiority: Channel Clustering for Time Series Forecasting

代码链接：https://github.com/graph-and-geometric-learning/timeseriesccm

【论文2】《FECAM: Frequency Enhanced Channel Attention Mechanism for **Time Series Forecasting》

研究方法

1. 频率增强通道注意力机制（FECAM）的构建：

   • 基于DCT的频率表示：选择离散余弦变换（DCT）来获取时间序列的频率信息，避免了傅里叶变换（FT）中因周期性问题导致的吉布斯现象，并且DCT具有更高的能量压缩效率。DCT通过其对称扩展的周期扩展方式，消除了边界不连续性，从而避免了高频噪声。

   • 通道注意力机制的改进：传统的通道注意力机制通常仅使用全局平均池化（GAP）来提取时间维度的信息，但这可能导致信息不足甚至丢失。FECAM通过引入DCT的多个频率成分来增强通道间依赖关系的特征学习。将输入特征图沿通道维度分割成子组，每个子组分别经过不同频率成分的DCT处理，然后通过类似SE-block的结构学习每个通道和频率的重要性权重，以重新校准特征图，提升表示能力。

2. 模块化设计：

   • FECAM被设计为一个通用模块，可以方便地集成到现有的各种时间序列预测模型中，如Transformer、LSTM等。无论是作为独立的预测模型（通过添加投影层）还是作为其他模型的增强模块，FECAM都能通过几行代码轻松地提升模型性能。

   

创新点

1. 首次在时间序列预测中从理论上证明能够缓解吉布斯现象：

   • 通过数学推导和理论分析，证明了DCT能够从根本上避免FT中的吉布斯现象，从而减少了高频噪声对预测结果的影响。这是时间序列预测领域的一个重要创新，为更准确地利用频率信息提供了理论基础。

2. 提出了一种新的频率增强通道注意力机制：

   • FECAM不仅能够提取时间序列的频率信息，还能通过学习不同通道和频率的重要性权重，增强模型对时间序列特征的捕捉能力。这种将频率信息与通道注意力机制相结合的方法，在时间序列预测中尚属首次。

3. 通用性强的模块化设计：

   • FECAM作为一个通用模块，可以方便地集成到各种主流的时间序列预测模型中，如基于Transformer的模型和RNN模型等。这种良好的兼容性和通用性使得FECAM能够广泛应用于不同的模型架构，提升了现有模型的预测性能，具有很强的实用性。

4. 显著提升模型性能且计算成本低：

   • 在六个真实世界的数据集上的实验表明，FECAM在作为独立模型时能够取得最先进的性能，并且在集成到其他模型时也能显著提升其预测性能。同时，FECAM的计算成本增加较小，只需几行代码就可以实现性能的显著提升，具有较高的性价比。

   

论文链接：[2212.01209] FECAM: Frequency Enhanced Channel Attention Mechanism for Time Series Forecasting

代码链接：https://github.com/zero-coder/fecam