Mamba在性能和效率上的优势大家都有目共睹，因此最近越来越多研究也开始关注Mamba+时间序列预测。
在时间序列预测中，数据的长期依赖性是一个核心的挑战。与Transformer等模型相比，Mamba在训练阶段和推理阶段都具有随序列长度线性增长的时间复杂度，这显著提高了运算效率。同时，Mamba的架构相对简单，去除了传统的注意力和MLP块，也提供了更好的可扩展性和性能。
如SiMBA等多个基于Mamba的时间序列预测实践案例证明了这一方法的有效性，在实现SOTA的同时还能保持较低的计算开销。
为帮大家梳理Mamba时间序列预测的最新进展，我整理了2024新发表的11篇高质量工作mamba，可参考的创新点都提炼好了，开源代码已附。
扫码添加小享，回复“曼巴时序”
免费获取全部论文+开源代码
Bi-Mamba+: Bidirectional Mamba for Time Series Forecasting
方法：论文提出一种适应性地捕捉多变量时间序列数据的内部或者系列间依赖关系的新模型Bi-Mamba+，并且通过在Mamba中添加遗忘门来选择性地将新特征与历史特征进行补充性地结合，从而在更长的范围内保留历史信息。通过在模型中引入双向结构和分割时间序列为小块来更全面地建模时间序列数据。
创新点：
DTMamba : Dual Twin Mamba for Time Series Forecasting
方法：论文提出一种名为DTMamba的模型，通过利用两个TMamba模块，有效捕捉时间数据中的长期依赖关系物业经理人，从而在长期时间序列预测中取得更好的性能。
创新点：
扫码添加小享，回复“曼巴时序”
免费获取全部论文+开源代码
MambaTS: Improved Selective State Space Models for Long-term Time Series Forecasting
方法：论文介绍了一种名为MambaTS的新型多变量时间序列预测模型。通过改进选择性SSMs，该模型能够在全局上建立依赖关系，并在多个数据集和预测设置中取得了最新的最佳结果。
创新点：
Integrating Mamba and Transformer for Long-Short Range Time Series Forecasting
方法：本文旨在探索时间序列数据中Mamba和Transformer架构的融合潜力，提出了一种混合框架Mambaformermamba，通过内部整合Mamba和Transformer的优势实现长短范围的时间序列预测，实验证明Mambaformer家族在长短范围时间序列预测问题上优于Mamba和Transformer。
创新点：
扫码添加小享，回复“曼巴时序”
免费获取全部论文+开源代码
