TiDE时间序列预测：反直觉的MLP设计，如何实现多步业务预测？

当面对包含数十个特征、数千个序列的业务数据时，传统复杂模型如ARIMA往往力不从心。此时，一种名为TiDE的时间序列预测新方法进入了视野。它不像Transformer那样结构复杂，反而像一个“加强版MLP”，但其预测效果出色且部署简易，非常适合实际业务预测场景。

你可以这样理解：传统时序模型如LSTM、Transformer，其核心是“按时间步逐步推进”，依赖隐藏状态传递历史信息。优点是能“记忆”，但缺点也很明显：面对长序列时，训练缓慢、显存消耗大、部署复杂。

TiDE的设计思路则颇为反直觉：它摒弃了RNN循环和自注意力机制，直接将一整段历史时间窗口的数据“拉平”成一个长向量，再结合节假日、价格等外部特征，全部送入一个多层感知机（MLP）编码器中，从而得到一个代表整个序列的“隐藏表示”。随后，再用一个解码器MLP，将这个表示“展开”为未来多个时间步的预测值。

模型还设计了一条“线性残差支路”，专门捕捉数据中简单的线性趋势。这样一来，复杂的非线性模式由MLP主干学习，而简单的趋势则由线性层处理，两者协同工作，提升了模型的整体表现。

这种设计带来了几个非常实用的优点：

• 结构简单：核心就是全连接层，工程上易于调整，推理速度快。
• 多步预测一步到位：例如需要预测未来24小时，TiDE直接输出一个24维的向量，而非进行耗时的逐步滚动预测。
• 强大的特征容纳能力：在同一个输入窗口内，无论是历史特征、静态特征还是未来已知特征（如未来的节假日安排），都可以拼接在一起进行学习。

下面是一个用PyTorch实现的极简版TiDE，结构遵循论文思想但简化了细节，方便快速理解和使用。

import torch
import torch.nn as nn
import torch.nn.functional as F

class SimpleTiDE(nn.Module):
    def __init__(self, input_len: int,     # 历史窗口长度，比如 48 个时间步
                 d_in: int,           # 每个时间步的特征维度
                 output_len: int,     # 预测步数，比如未来 24 步
                 d_hidden: int = 256  # 隐藏维度
                 ):
        super().__init__()
        self.input_len = input_len
        self.d_in = d_in
        self.output_len = output_len

        # 编码器：把 [B, T, D] 拉平成 [B, T*D] 再过 MLP
        self.encoder = nn.Sequential(
            nn.Linear(input_len * d_in, d_hidden),
            nn.ReLU(),
            nn.Linear(d_hidden, d_hidden),
            nn.ReLU(),
        )

        # 解码器：把序列级表示变成未来多步预测
        self.decoder = nn.Sequential(
            nn.Linear(d_hidden, d_hidden),
            nn.ReLU(),
            nn.Linear(d_hidden, output_len)  # 这里先假设只预测 1 维目标
        )

        # 线性残差：直接对历史做线性投影，学“趋势”
        self.linear_residual = nn.Linear(input_len, output_len)

    def forward(self, x_hist, y_hist):
        """
        x_hist: [B, T, D]   历史特征（价格、节假日、业务特征等）
        y_hist: [B, T]      历史目标（比如历史销量）
        return: [B, H]      未来 H 步预测
        """
        B, T, D = x_hist.shape
        assert T == self.input_len and D == self.d_in

        # 1. 编码器：序列 -> 一个向量
        x_flat = x_hist.reshape(B, T * D)     # [B, T*D]
        h = self.encoder(x_flat)              # [B, d_hidden]

        # 2. 解码器：向量 -> 未来多步
        dec_out = self.decoder(h)             # [B, output_len]

        # 3. 线性残差：用历史目标直接线性外推
        trend = self.linear_residual(y_hist)  # [B, output_len]

        # 4. 两条路相加
        return dec_out + trend

这个版本的功能很明确：输入一段历史特征 x_hist 和历史目标值 y_hist，模型直接输出未来 output_len 步的预测值。

一个最简单的训练循环示意如下：

model = SimpleTiDE(input_len=48, d_in=10, output_len=24)
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
loss_fn = nn.MSELoss()

for epoch in range(50):
    for x_hist, y_hist, y_future in dataloader:
        # x_hist: [B, 48, 10]
        # y_hist: [B, 48]
        # y_future: [B, 24]
        pred = model(x_hist, y_hist)
        loss = loss_fn(pred, y_future)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

在实际项目中，你可以灵活调整：

• input_len 可以设为 96、168 等更长的历史窗口。
• d_in 中可以塞入更多特征，如价格、营销活动标志、星期几、节假日、大促标识等。
• 若需要同时预测多个目标（如GMV、订单量、访客数），可将解码器最后一层输出改为 output_len * num_targets，再进行reshape。

通过这个极简的实现，我们可以看到TiDE如何利用简单的深度学习组件解决复杂的时序预测问题。其思想对于希望快速搭建高效预测模型的Python开发者而言，具有很高的参考价值。如果你想进一步探索，例如加入未来已知协变量、用PyTorch Lightning构建完整训练流程等，欢迎在云栈社区交流讨论。