TSKANMixer: Kolmogorov-Arnold Networks with MLP-Mixer Model for Time Series Forecasting

作者: Young-Chae Hong, Bei Xiao, Yangho Chen

发布时间: 2025-02-27

来源: arxiv

研究方向: 时间序列预测

主要内容

本文研究了Kolmogorov-Arnold Networks (KANs) 在时间序列预测中的应用，通过将KAN层引入Time-Series Mixer (TSMixer) 架构，提出了TSKANMixer模型，并对其性能进行了评估。

主要贡献

1. 提出了TSKANMixer模型，通过引入KAN层改进了TSMixer的性能。

2. 在多个时间序列预测基准数据集上进行了实验，证明了TSKANMixer在预测精度方面优于原始的TSMixer。

3. 展示了KANs在时间序列预测中的潜力，为改进时间序列预测模型提供了新的思路。

研究方法

1. Kolmogorov-Arnold Networks (KANs)

2. Time-Series Mixer (TSMixer)

3. 实验设计：在多个时间序列预测基准数据集上进行实验，包括ETT、NN5、CIF 2016、Hospital、Exchange、FRED-MD等。

4. 性能评估：使用均方误差 (MSE) 和平均绝对误差 (MAE) 作为评估指标。

实验结果

实验结果表明，TSKANMixer在多个数据集上均优于原始的TSMixer，尤其是在ETTh1、ETTh2、ETTm1、ETTm2、NN5 daily、NN5 weekly、Hospital和FRED-MD等数据集上表现最佳。然而，由于KAN层的引入，TSKANMixer的训练时间比TSMixer更长。

未来工作

未来工作可以探索以下方向：1) 提高TSKANMixer的培训时间，以使其更适用于更广泛的场景；2) 开发更高效的KAN实现，以支持更全面的超参数调整；3) 通过符号回归进一步探索KANs的可解释性和鲁棒性，以开发更有效和高效的时间序列预测模型。