近日，人工智能领域国际顶级刊物《Knowledge-Based Systems》（一区TOP，IF 7.6）接收了人工智能学院协同控制团队在多变量时间序列预测方向的研究进展，论文题目为“CM-TFD: Channel Mask-Based Time-Frequency Decoupling for Multivariate Time Series Forecasting”。

多变量时间序列预测广泛应用于交通调度、能源优化、气象分析等复杂智能系统。然而，真实场景中的时间序列普遍存在强非平稳性、高频噪声、多尺度混叠以及复杂通道耦合等问题，导致现有方法在长期预测过程中容易出现特征漂移、伪相关依赖以及泛化能力不足等挑战。尤其是在高维多变量场景下，传统模型往往依赖线性统计相关性构建通道关系，难以有效区分真实依赖与噪声诱导的伪相关，从而限制了预测精度与鲁棒性。因此，如何同时缓解时间域分布偏移与结构域分布偏移，实现稳定、可靠的时序建模，成为当前时间序列预测领域亟待突破的重要问题。

论文提出了一种基于通道掩码的时频解耦预测框架（CM-TFD）。首先，设计时间频率解耦模块（TFDM），通过自适应频域滤波与层次化多尺度解耦机制，有效抑制高频噪声干扰并提取稳定主导动态特征，实现复杂非平稳序列的鲁棒建模。其次，提出物理引导通道交互模块（PCIM），结合多小波结构感知与基于互信息的非线性依赖调控机制，显式抑制噪声驱动的伪相关关系，构建具有物理一致性的稀疏通道依赖结构。在此基础上，进一步设计融合结构先验的掩码注意力机制，实现跨通道信息的高可信传播。此外，论文引入时域与频域联合监督策略，在保证局部预测精度的同时维持全局频谱一致性，从而显著提升模型的稳定性与跨分布泛化能力。该方法已在交通、电力、天气、汇率、疾病和光伏发电等领域得到广泛验证，并取得优异性能和应用效果。

图1 非平稳多变量时间序列的关键特征与挑战

图2 跨通道依赖建模中的结构域挑战

图3 CM-TFD整体架构

图4 不同通道之间的注意力得分

图5 不同回溯窗口的预测性能

该工作的第一单位为河南大学人工智能学院，主要由2024级研究生冯意婷同学在宁念文、李伟副教授指导下，并联合同济大学、河内科技大学（越南）和东芬兰大学（芬兰）等领域专家共同完成。该研究受到国家重点研发国际合作项目、河南省重大产业关键技术攻关“揭榜挂帅”项目、河南省重点研发专项和河南省科技攻关项目的支持。

论文链接：https://www.sciencedirect.com/science/article/pii/S0950705126005903