论文标题：
Pyraformer: Low-Complexity Pyramidal Attention for Long-Range Time Series Modeling and Forecasting
论文链接：
https://openreview.net/pdf?id=0EXmFzUn5I
源码链接：
https://github.com/alipay/Pyraformer

摘要

根据过去的时间序列数据对未来进行准确预测至关重要，因为它为提前进行决策和风险管理打开了大门。在实践中，面临的挑战是构建一个灵活但简约的模型，该模型可以捕获大范围的时间依赖关系。本文通过研究时间序列的多分辨率表示，提出了 Pyraformer 算法。具体来说，我们引入了金字塔注意模块(PAM) ，其中尺度间的树状结构概括了不同分辨率的特征，尺度内的相邻连接模型模拟了不同范围的时间依赖关系。在温和的条件下，Pyraformer 信号穿越路径的最大长度与序列长度 L 相比是一个常数(即 O (1)) ，而其时间和空间复杂度与 L 呈线性关系。广泛的实验结果显示，无论是在单步预测任务还是在长距离多步预测任务中，Pyraformer 都能以最少的时间和内存消耗达到最高的预测精度，特别是当序列较长时。

可以看出，优势很明显。

模型结构

主要贡献

1.提出了 Pyraformer，以多分辨率的方式同时捕捉不同范围的时间依赖关系。
2.理论上证明了通过适当选取参数，Pyraformer 可以同时实现O(1)的最大信息传播路径和O(L)的时空复杂度。
3.实验表明，不论是单步预测任务还是长程预测任务，Pyraformer 在多个真实数据集上都取得了比 Transformer 及其变体更好的效果，并且消耗的时间和显存更低。

方法

金字塔注意力模块（PAM）

金字塔形的图结构，以多分辨率的方式表征历史序列中的时间依赖关系。在金字塔图中，假设最底层的节点对应了我们观察到的时序。比如，观察到的时序是小时粒度，那每个节点对应了一个小时。
上层的节点，可以认为是总结了每天，每周，和每月的信息。为了进行精准的时序预测，需要做的就是找到过去和未来的关系，然后基于过去才能预测未来。这里，通过连接每一层节点，来建模过去与未来。比如每个小时之间的关系，在底层进行了建模，而每个月之间的关系在顶层进行了建模。
由于，月与月之前的关系在顶层进行了建模，到了周这一层，就不再需要考虑本周与上个月同一周之间的关系了，只需要考虑相邻的一两周之间的关系。因此，每一层里，只考虑相邻节点之间的关系。整个图通过attention机制构建，即把Transformer中的全连接图换成金字塔图。

粗粒度构造模块（CSCM）

CSCM的目的是初始化金字塔图上的粗尺度节点，以便后续的PAM在这些节点之间交换信息。这里通过带bottleneck的卷积网络实现。


预测模块

单步预测，直接一层全连接

多步预测，有两种方式。第一种和单步预测类似，但需要将所有尺度上的最后一个节点分批映射到所有 M 个未来时间步骤。第二种，是用两层全连接注意力层作为解码器。

实验

单步预测

长程预测

速度和显存占用

总结

在蚂蚁预测性扩缩容任务上工程化落地效果很好。