Mamba是最近最火的模型之一，更是被業內認為可以有取代Transformer的潛力。今天介紹的這篇文章，探索了Mamba模型在時間序列預測任務上是有有效。本文首先給大家介紹Mamba的基礎原理，再結合這篇文章探索在時間序列預測場景中Mamba是否有效。

論文標題：Is Mamba Effective for Time Series Forecasting?

下載地址：https://arxiv.org/pdf/2403.11144.pdf

1、Mamba基礎原理

Mamba是一種基于State Space Model的結構，和RNN非常像。Mamba相比Transformer，在訓練階段和inference階段都有隨序列長度線性增長的時間復雜度，運算效率顯著由于Transformer這種結構。

Mamba的核心可以分為以下4個部分：

State Space Model（SSM）：狀態空間模型，用來刻畫上一個狀態對當前狀態的影響，以及當前狀態對輸出的影響；State Space Model中假設上一個狀態和當前時刻的輸入會影響下一個狀態，并且當前的觀測結果是由當前狀態決定的。SSM可以表示為如下形式，矩陣A、B、C、D為超參數；

圖片

卷積表達：用卷積來表達SSM，實現訓練階段的并發計算，通過將SSM中的計算輸出的公式按照時間展開，通過設計相應的卷積核到一定的形式，可以利用卷積來表達每個時刻的輸出為前面3個時刻輸出的函數：

圖片

Hippo Matrix：對于參數A，引入Hippo Matrix實現對歷史信息的衰減融合；

圖片

Selective模塊：對于參數B和參數C個性化的矩陣實現對歷史信息的個性化選擇，將每個時刻的參數矩陣轉換成關于輸入的函數，實現每個時刻個性化的參數。

圖片

關于Mamba更詳細的模型解析，以及后續的Mamba相關工作，也更新到了知識星球中，感興趣的同學可以在星球中進一步深入學習。

2、Mamba時間序列模型

下面介紹一下這篇文章中提出的Mamba時間序列預測框架，整體基于Mamba，對時間序列數據進行適配。整體分為Embedding、S/D-Mamba layer、Norm-FFN-Norm Layer三個部分。

Embedding：類似iTransformer的處理方法，對每個變量單獨進行映射，生成每個變量的embedding，再將每個變量的embedding輸入到后續的Mamba中。因此本文也可以看成是對iTransformer的模型結構的一個改造，改成了Mamba結構；

S/D-Mamba layer：Embedding的輸入維度為[batch_size, variable_number, dim]，將其輸入到Mamba中，文中探索了S和D兩種Mamba層，分別表示每層用一個mamba還是兩個mamba，兩個mamba會將兩個的輸出相加得到每層的輸出結果；

Norm-FFN-Norm Layer：在輸出層，使用normalization層和FFN層對Mamba的輸出表征進行歸一化和映射，結合殘差網絡，提升模型收斂性和穩定性。

圖片

3、實驗效果

下圖是文中的核心實驗結果，對比了Mamba和iTransformer、PatchTST等業內主流時間序列模型的效果。文中還對不同的預測窗口、泛化性等進行了實驗對比。實驗表明，Mamba不僅在計算資源上有優勢，在模型效果上也可以比肩Transformer相關的模型，并且在長周期的建模上也很有前景。

圖片