IJCAI2025 | SoP策略：首次识别MTLC问题，模型无关、轻量易部署，时序预测新思路！ - 详解

本篇论文来自IJCAI2025，最新前沿时序技术，针对时序预测提出了一个新策略-Socket+Plug（SoP）策略，它是一种模型无关的非集体校准策略，通过非集体校准缓解 MTLC 问题，无需从零训练新模型即可显著提升时间序列（含时空）预测性能，且兼具轻量化、模型无关、易部署的优势。

了解顶会最新技术，紧跟科研潮流，研究与写作才能保持在时代一线，全部49篇IJCAI2025前沿时序合集小时已经整理好了，在功浩“时序大模型”发送“资料”扫码回复“IJCAI2025时序合集”即可自取~其他顶会时序合集也可以回复相关顶会名称自取哈~（AAAI25,ICLR25,ICML25等）

文章信息

论文名称：Non-collectiveCalibratingStrategyforTimeSeriesForecasting

论文作者：BinWang、YongqiHan、MinboMa、TianruiLi、JunboZhang、FengHong、YanweiYu

研究背景

在时间序列预测中，时间序列数据存在季节性波动、趋势变化和领域特异性模式等繁琐动态特征，导致难以确定 “黄金模型架构”。尽管 CNN、RNN、GNN、Transformer 等深度学习模型不断发展，但模型性能争议持续（如简单 MLP 可能优于复杂 Transformer），且新 SOTA 模型层出不穷，企业在生产环境中测试新模型需大量试错，成本高昂。

现有的校准技巧存在局限，传统 “集体校准”策略会同时优化所有目标变量和预测步长，引发多目标学习冲突—— 不同目标的可学习性差异导致早期停止机制过早触发，模型学习能力未被充分利用，甚至性能退化。

因此文章提出了Socket+Plug（SoP）策略以解决上述问题。

模型框架

Socket+Plug（SoP）策略，是一种模型无关的非集体校准策略，无需从零训练新模型，而是通过 “Socket（基座）+Plug（校准模块）” 结构优化已训练模型的预测性能，核心是为每个预测目标分配专属优化器和早期停止监视器，缓解 MTLC 问题。

• Socket：冻结的已训练 SOTA 预测模型（如 iTransformer、DLinear、Unet 等），负责捕捉变量间复杂关联，供应基础预测结果。

• Plug：轻量级校准模块（如 MLP），针对 Socket 的预测结果进行校准。每个 Plug 对应特定目标（变量或时间步长），配备独立优化器和早期停止监视器，避免目标间优化冲突。

关键定义

集体校准：冻结推理模型，对所有目标变量和预测步长的模型层进行集体重训练，对应 SoP 中 “Plug 数量 = 1” 的特殊情况

非集体校准：对分组或单个变量 / 预测步长单独校准，SoP 属于此类

具体形式

变量级 SoP（variable-wise SoP）：每个变量对应 1 个 Plug，Plug 数量 = 变量数（N），无需调试 Plug 数量，可作为 “快速启动版本”

步长级 SoP（step-wise SoP）：每个预测步长对应 1 个 Plug，Plug 数量 = 预测步长数（S），同样无需调试 Plug 数量，为 “迅速启动版本”

模型流程

推理阶段：输入时间序列数据，Socket 输出基础预测

校准准备：按变量 / 步长拆分，对每个子序列做层归一化（LayerNorm）以稳定训练

Plug 校准：每个 Plug 对对应子序列进行校准（如 MLP 映射 + 元素乘法）

结果整合：拼接所有 Plug 的输出，得到最终预测

实验数据

数据集：7 个时间序列基准数据集（ETTh1/ETTh2、ECL、Exchange、Weather、Solar-Energy、Traffic）+1 个时空气象数据集（ERA5，含 T2M、U10 等 5 个气象变量）；

Socket 模型：覆盖 7 类 SOTA 模型，包括 Transformer 类（FEDformer、PatchTST、iTransformer）、MLP 类（DLinear、TSMixer、SOFTS）、TCN 类（TimesNet），以及时空任务的 Unet；

评价指标：均方误差（MSE）、平均绝对误差（MAE）。

主要实验结果

（1）SoP 对模型性能的提升（RQ1）

• 所有 Socket 模型结合 SoP 后性能均有改善，在 Exchange 数据集（低变量相关性）上提升最显著：iTransformer+Plug 的 MSE 降低 22.91%，FEDformer+Plug 降低 22.04%；

• 简便模型受益更明显：DLinear+Plug 在 ECL 数据集 MSE 降低 14.40%，在 Solar-Energy 数据集降低 22.72%，甚至超过 TimesNet+Plug 等繁琐模型；

• 长预测步长优势更突出：随预测步长（S=96→720）增加，SoP 的 MSE 降低幅度扩大（如 ECL 数据集，步长 720 时提升差异比步长 96 时更显著）。

（2）目标级 SoP 的有效性（RQ2）

• 变量级与步长级SoP 性能接近，且均无需调试 Plug 数量，可作为 “快速启动版本”；

• 非集体校准（Plug 数量 > 1）显著优于集体校准（Plug 数量 = 1）：Weather 资料集上，集体校准的 MSE 甚至高于未校准模型，验证 MTLC 的负面影响。

（3）非集体 vs 集体优化器（RQ3）

• 非集体优化器集体优化器（共享 1 个优化器）的 2 倍；就是（每个 Plug 独立优化）的平均性能提升

• 集体优化器可能导致性能退化（如 TSMixer 在 Exchange 材料集），而非集体优化器可避免此问题，且各 Plug 收敛速度差异符合 “不同目标可学习性不同” 的假设。

（4）时空预测任务的拓展（RQ4）

• ERA5 气象数据集上，Unet+SoP 使 5 个气象变量的 MSE 显著降低（T2M、U10、V10 提升最明显）；

• 可视化结果显示：Unet+SoP 的预测更接近真实值，避免了 Unet 单独预测时的 “过度平滑” 挑战，且在短 / 长预测步长（S=1→20）均实用。

（5）与 LLM 方法的对比

轻量化替代方案。就是iTransformer+SoP 在 Traffic、Weather 材料集上的 MSE/MAE 优于 CALF、TimeLLM、GPT4TS 等 LLM 方法，且无需麻烦架构修改和高额训练 / 推理成本，

小小总结

文章首次识别 MTLC 问题，明确多目标学习冲突对时间序列预测模型的负面影响，指出传统早期停止机制的缺陷。

SoP策略通过非集体校准缓解 MTLC 问题，无需从零训练新模型即可显著提升时间序列（含时空）预测性能，且兼具轻量化、模型无关、易部署的优势。可以降低企业模型迭代成本，训练好的 Plug 可跨 Socket 迁移。

2025顶会前沿时序合集，攻豪关注“时序大模型”，回复“资料”即可自取~

关注小时，持续学习前沿时序技术！