论文标题：Unifying Channel Independence and Mixing: Multi-Scale Patch Recursion for Global–Local Representation Synergy in Multivariate Time Series Forecasting
代码及讲解改进思路：https://space.bilibili.com/51422950?spm_id_from=333.1007.0.0
摘要
多元时间序列预测支撑金融、气象与工业运营，但长期存在两大障碍：一是模型通常在通道独立（CI）与通道混合（CM）两种范式间二选一，二者各有优势，导致跨数据集性能方差大；二是短期动态与长期趋势难以联合建模，无法同时捕捉瞬态爆发与周期模式。为此作者提出FusionTimePatch（FTP），一个纯MLP驱动的轻量框架，包含三个模块：双视图全局-局部融合Dual-GLF并行运行CI与CM视图，并用多尺度补丁递归自适应调整回看窗口、耦合全局与局部；通道增强CE放大显著通道特征并跨通道扩散；线性融合层统一Dual-GLF与CE的输
出。
Q1：这个模型试图解决什么问题？
核心问题是：通道独立与通道混合长期被二选一、各有短板，且短期瞬态与长期趋势难以联合；如何在保持纯MLP线性效率的前提下，同时统一CI/CM两种视角并实现全局-局部表征协同。
1.CI与CM二选一：通道独立能抑制过拟合、泛化稳健，却丢失跨变量交互；通道混合能建模变量依赖，但高维下易过拟合、注意力开销大；不同数据集偏好不同，造成性能方差大；
2.全局-局部割裂：局部补丁擅长短期瞬态、全局窗口擅长长期趋势，二者难以同时兼顾。
Q2：相关研究
1.通道独立类（如PatchTST）：各通道独立建模、泛化好，但完全不建模跨变量交互；
2.通道混合类（如Crossformer）：显式建模跨通道依赖，但在高维数据上易过拟合，且注意力复杂度高；
3.线性/MLP类（如DLinear、SOFTS、TSMixer、PatchMLP）：计算高效，但表达能力受限、难以兼顾双视图与多尺度；
4.FTP：坚持纯MLP，用CI/CM双视图并行统一两种范式，再以多尺度补丁递归耦合全局-局部。
Q3：模型如何解决这个问题？
输入序列依次经过Dual-GLF、CE与线性融合层得到最终预测。
图注：FTP整体架构：左上GLF-CI、左中GLF-CM分别以多级递归（Level=1,2,...）做局部补丁与全局窗口嵌入；左下CE做隐维与通道维Softmax、采样主导通道并广播；右侧为整体数据流，融合层堆叠e层后由MLP头输出。
双视图全局-局部融合Dual-GLF
Dual-GLF在两个互补视图下并行捕捉短期动态与长期趋势，并组织为多个层级递归。在递归层i采用多尺度自适应补丁，跨度Pi=i×unit，unit为基础补丁长度；为完整覆盖回看窗L，在末尾填充一个步长S，该层补丁数Ni=⌊(L-Pi)/S⌋+2。
局部信息上，把每个长Pi的补丁嵌入得到Xl∈RD；全局信息上，把整个窗口L嵌入得到Xg∈RD；随后沿隐维拼接Xg与Xl并投影回长度L，再以更新后的补丁跨度传入下一层，递归进行。
GLF-CI保持通道独立、逐通道做尺度嵌入：RC×L→RC×Ni×Pi→RC×D；GLF-CM则在每个补丁内堆叠通道，在多尺度上显式建模跨通道交互：RC×L→R[C×Pi]×Ni→RC×D。两视图最终由一个线性映射器融合，在保留互补线索的同时减少相互干扰。
通道增强CE
CE先沿时间维嵌入每个通道得到高维特征Xe∈RC×D；再用隐维Softmax评估各潜在成分的重要性并乘性加权，放大显著维度、抑制次要维度。接着用通道维Softmax产生通道间重要性权重，按权重做概率采样选出主导通道（权重越高采样概率越大），把其特征广播到所有通道，再经MLP得到增强表示，从而突出关键异常与突变、同时保留跨通道依赖。
线性融合与预测
融合层先把Dual-GLF的CI、CM输出XI、XM∈RC×L投影到统一隐维D，与CE输出Xe拼接成[XI,XM,Xe]∈RC×3D，经线性层压缩为融合表示XF∈RC×D；再把XF与当前层的原始嵌入Xo拼接成[XF,Xo]∈RC×2D，经MLP映射回序列空间X∈RC×L，穿过E个编码层，最后由MLP头输出预测Y∈RC×T。
计算复杂度
每个自适应层在GLF-CI与GLF-CM中含补丁与MLP投影，复杂度为O(ACL)；CE因两次Softmax与一个线性层贡献O(CL)；整体前向复杂度约为O(ACL)（A为自适应层数），保持MLP的线性效率，而基于Transformer的模型为O(CL²)。
Q4：实验结果
实验在12个公开多元时序数据集上进行：四个变压器油温基准ETTh1/ETTh2/ETTm1/ETTm2，以及八个交通-天气-能源数据集Electricity、Traffic、Weather、Solar、PEMS03/04/07/08；统一用RevIN归一化，指标为MSE/MAE，回看窗L=96。
对比三族代表性基线：Linear-MLP类PatchMLP、SOFTS、TSMixer、TiDE、DLinear；Transformer类FreDF、iTransformer、PatchTST、Crossformer；CNN类SCINet、TimesNet。
主结果
图注：主结果（4个预测长度平均，MSE/MAE，加粗为第一、下划线为第二）：FTP在12个数据集中的10个上排名第一，显著领先包括最具竞争力的补丁MLP模型PatchMLP在内的全部基线。
FTP在所有对比方法中取得最多的top-1结果。例如在PEMS08（170个变量）上，平均MSE从之前最优的0.138降到0.121，相对提升12.31%；在高维与低维数据上都表现稳健。
递归层级分析
图注：自适应递归层级影响（MSE随层级1—14变化）：随递归层级增加，多尺度补丁覆盖更充分，MSE整体下降，到一定层级后趋于稳定。
消融实验
图注：消融（Avg为平均误差、Range为相对变化）：分别移除Dual-GLF、GLF-CI、GLF-CM、CE、Concat Original、Fusion六个组件。
移除GLF-CM在PEMS04、Weather、Electricity上带来最大的误差上升，凸显跨通道全局-局部互补在多元场景中的关键作用；移除Concat Original在多个数据集上也明显恶化，说明保留原始输入对稳定建模很重要。
效率分析
图注：效率-精度权衡（Electricity，L=96、T=96）：横轴为每迭代训练时间、气泡大小为内存、纵轴为MSE；FTP位于左下角且气泡最小。
FTP仅用276MB内存、8.5ms/iter并取得最低MSE；相比之下PatchTST需要约4713MB、137.3ms/iter，同范式的PatchMLP也需476MB、21.2ms/iter，且误差更高。
预测可视化
图注：预测可视化（PEMS04，预测长度T={12,24,48,96}）：蓝色为真值、橙色为FTP预测，整体能较好贴合波形走势与突变。
Q5：有什么可以进一步探索的点？
1.让CI/CM两视图的融合权重完全内容感知、随数据集与样本自适应；
2.让递归层级与补丁跨度根据信号自动增长或停止，避免人工设定上限；
3.把CE中的概率采样改为可微操作，实现端到端的通道选择；
4.把多尺度补丁递归与双视图思想迁移到频域、图网络或状态空间模型。
Q6：总结一下模型的主要内容
FTP由双视图全局-局部融合Dual-GLF（CI/CM并行加多尺度补丁递归）、通道增强CE与线性融合层组成，是一个纯MLP轻量框架，在12个数据集中的10个上取得第一。
它的核心价值是：用双视图并行统一通道独立与混合、用多尺度递归协同全局与局部，在保持线性计算效率的同时显著提升预测精度与跨数据集稳健性。
