近日，中國科學院合肥物質院智能所運動與健康中心孟憲偉研究員團隊在深度學習領域的研究取得新進展，其研究成果《時間膠囊：利用壓縮預測表示解決長期時間序列預測的難題》（TimeCapsule: Solving the Jigsaw Puzzle of Long-Term Time Series Forecasting with Compressed Predictive Representations）被國際數據挖掘領域的頂級會議SIGKDD錄用。

該研究針對長期時間序列預測（LTSF）領域存在的技術瓶頸展開攻關。當前主流的用于長期時間序列預測 (LTSF) 的深度學習模型通常強調復雜的手工設計，但研究發現，簡單的線性模型或多層感知器（MLP）反而能取得更好的預測效果。基于此，研究團隊系統梳理了先進LTSF模型中的關鍵技術思想，例如冗余縮減和多尺度建模，通過創新性的簡化融合，成功構建出具有通用泛化能力和高效精準預測性能的新型預測器TimeCapsule。

TimeCapsule是一種基于高維信息壓縮原則構建的模型，它在一個通用且簡化的框架內統一了這些技術。具體來說，它將時間序列建模為一個包含時間、變量和“水平層級”維度的高維信息載體，結合有損壓縮理論框架，利用張量模式乘積來捕獲多維度復雜依賴關系，同時實現維度壓縮的高效處理。另外，本工作還在壓縮表示域內提出了一種內部預測機制，并采用聯合嵌入預測架構對預測表示的學習過程進行監控。

在豐富且具有挑戰性的基準測試中，TimeCapsule模型展現出卓越的性能。實驗結果表明，該模型在大量基準數據集上都能實現當前最先進的預測效果，充分驗證了其方法的多功能性和技術優勢。

該工作得到了安徽省自然科學基金的支持。

據悉，國際知識發現與數據挖掘大會 (ACM SIGKDD Conference on Knowledge Discovery and Data Mining) 是數據挖掘領域最具權威性和影響力的國際學術會議之一，同時也是中國計算機學會（CCF）推薦的A類國際學術會議。SIGKDD?2025二月輪的Research Track錄用率約為18.4%。

文章鏈接：https://arxiv.org/abs/2504.12721

模型結構圖總覽