TS-LIF: A Temporal Segment Spiking Neuron Network for Time Series Forecasting
作者: Shibo Feng, Wanjin Feng, Xingyu Gao, Peilin Zhao, Zhiqi Shen
发布时间: 2025-03-10
来源: arxiv
研究方向: 时间序列预测与神经形态计算
主要内容
该研究提出了一种名为TS-LIF的新型时间序列预测的神经形态计算模型，该模型基于时间段漏电流积分和点火（TS-LIF）神经元架构，旨在克服传统漏电流积分（LIF）神经元在处理长期依赖性和多尺度时间动态方面的局限性。
主要贡献
1. 提出了TS-LIF模型，该模型具有树突和细胞体两个分支，能够有效捕捉多尺度时间特征，从而提高时间序列预测的准确性。
2. 建立了TS-LIF模型的稳定性条件，确保了鲁棒性，并推导了频率域传递函数，说明了树突和细胞体两个分支对时间处理的独特贡献。
3. 在四个基准数据集上使用CNN、RNN和Transformer架构验证了TS-LIF模型，证明了其在时间序列预测方面优于传统的基于LIF的SNN模型，特别是在处理缺失输入的情况下。
4. 通过消融研究，展示了TS-LIF如何通过有效地将输入信号分解为不同的频率分量来实现优异的性能。
研究方法
1. 构建了一个双室架构的TS-LIF神经元模型，其中树突和细胞体专门用于捕获不同频率成分。
2. 引入了直接细胞体电流注入，以减少神经元内传输过程中的信息损失。
3. 通过树突尖峰产生，提高了多尺度信息提取的能力。
4. 进行了稳定性分析和频率响应分析，以验证模型的鲁棒性和频率特性。
5. 在四个基准数据集上进行了实验，以评估模型的性能。
实验结果
实验结果表明，TS-LIF在时间序列预测方面优于传统的基于LIF的SNN模型，特别是在处理缺失输入的情况下。此外，TS-LIF在处理长期依赖性和多尺度动态方面表现出更强的能力。
未来工作
未来的工作将包括：设计一种有效的SNN机制来捕捉多元时间序列中的交叉变量相关性，以及开发更通用的SNN结构，用于更广泛的时间序列分析任务，如异常检测、时间序列生成和分类。