双路并行Mamba架构：时间序列预测的高效解决方案

1. 双路并行Mamba架构解析：时间序列预测的新范式

在时间序列预测领域，传统方法往往面临一个根本性矛盾：如何同时捕捉微观时间点的细节波动和宏观时间跨度的长期依赖？这个问题在电力负荷预测、气象预报等实际场景中尤为突出。DualMamba通过创新的双路并行架构给出了一个优雅的解决方案。

1.1 架构设计核心思想

DualMamba的核心在于将时间序列的表示分解为两个互补的视角：

• 局部视角（Local Mamba）：将每个时间点视为独立token，保持原始时间分辨率。这种表示特别适合捕捉短期突变，比如电力系统中的瞬时负荷波动或气象数据中的突发天气变化。技术实现上，它使用标准的Mamba块处理原始时间点序列。

• 全局视角（Global Mamba）：采用补丁化（Patching）表示，将连续的时间段视为一个整体token。例如把每12个时间点打包成一个补丁，这样96个时间点的窗口就压缩为8个补丁。这种粗粒度表示能有效建模跨天、跨周的周期性模式。

关键洞察：传统补丁方法（如PatchTST）虽然降低了计算复杂度，但丢失了补丁内部的时间结构。DualMamba通过双路并行，既获得了补丁化的效率优势，又保留了原始时间点的细节信息。

1.2 权重化融合机制详解

双路架构面临的核心挑战是如何整合两种不同粒度的信息。直接拼接或相加会导致：

1. 特征维度爆炸（拼接方案）
2. 信息冗余干扰（相加方案）

DualMamba的创新性解决方案是：

python复制# 数学表达示意
global_features = GlobalMamba(patch_sequence)  # [batch, num_patches, d_model]
local_features = LocalMamba(point_sequence)    # [batch, seq_len, d_model]

# 将全局特征转化为权重矩阵
global_weights = nn.Linear(d_model, 1)(global_features)  # [batch, num_patches, 1]
global_weights = F.softmax(global_weights, dim=1)

# 局部特征按补丁分组并加权
local_features = local_features.view(batch, num_patches, patch_size, d_model)
fused_features = global_weights.unsqueeze(-1) * local_features  # [batch, num_patches, patch_size, d_model]

这种设计带来三个优势：

• 全局信息作为"注意力权重"指导局部特征的重要性分配
• 保持了原始时间点的细粒度信息不被平滑
• 计算复杂度仅线性增长（传统自注意力是平方级）

2. 关键技术实现与优化细节

2.1 数据预处理流程

高质量的时间序列预测始于严谨的数据预处理：

1. 可逆实例归一化（RevIN）：
   • 对每个样本独立计算均值μ和标准差σ