PAMod 框架：在正規化特徵空間以相位與振幅調變自適應週期性分布偏移

導言：非平穩是時序預測的常態

實務時序資料在能源調度、金融分析、健康監測與交通優化等領域扮演關鍵角色，但這些資料常呈現非平穩統計性質：平均值、變異數乃至更高階矩會隨時間改變。許多現有做法要麼透過正規化強制平穩化，要麼透過更大、更複雜的模型試圖在參數空間內自學所有偏移。然而當偏移具有結構化、週期性特徵時，這兩種策略都有侷限：正規化會把有用的週期訊號抹去；大模型則可能低效率且難以穩健泛化。

核心觀察：分布偏移常與週期位置相關

作者觀察到，在多個真實資料集上，統計偏移並非任意噪訊，而常呈現週期性（例如日夜變化、節日與假期波動）。在這些案例中，平均值與方差往往以可重複的方式在週期內變化，且兩者可被視為「解耦但同步」的成分。基於此，若能以週期位置作為條件，對表示做有針對性的加性與乘性調整，便能更有效地適應未來分布。

PAMod：相位‑振幅調變框架概述

PAMod（Phase‑Amplitude Modulation）是一個輕量且可插拔的框架，工作流程包含三個階段：輸入正規化、週期性嵌入驅動的相位與振幅調變、最後的反歸一化（denormalization）或等價的動態去歸一化。相位調變以加性方式補償平均值位移；振幅調變以乘性方式調整變異程度。兩者在正規化的特徵空間中運作，理論上等價於為不同週期位置施加動態去歸一化，從而在保留模型學習能力的同時，直接處理週期性分布偏移。

架構要點

• 學習週期嵌入：PAMod 保留一組週期性嵌入（相位/振幅嵌入），根據當前時間步或週期索引讀取並注入模型表示。
• 相位 (Phase) 調變：以加法項來校正表示的偏移，針對平均值位移。
• 振幅 (Amplitude) 調變：以乘法縮放處理表示的尺度改變，針對變異調整。
• 在正規化空間操作：先以類似 RevIN 的流程執行 instance normalization，再應用調變，最後進行等價的反正規化。

方法學要點與數學直觀

將調變放在正規化特徵空間的關鍵價值在於，它等價於在原始資料空間做動態去歸一化。這提供了一個優雅的統一觀點：不是一味摒棄非平穩性，而是把可預測的週期化偏移視為條件化的變換，讓模型專注於學習剩餘的不可預測成分。相較於完全倚賴大型模型去內部擬合這些結構，PAMod 給予明確的 inductive bias，提升參數效率與泛化穩定性。

演算法骨幹（節錄）

Inputs: 觀察序列 X (T×C), 週期長度 L
1. 若啟用 InstanceNorm，計算 μ、σ 並正規化 X_norm = (X-μ)/sqrt(σ^2+ε)
2. 根據最後時間戳計算週期索引 τ = Tend mod L
3. 從相位嵌入 EP(t) 與振幅嵌入 EA(t) 查表取得條件向量
4. 對正規化表示做 MLP/線性映射，並應用 X_mod = Dropout(U4( ReLU(U1 X_norm) ⊙ U2 EA(t) + U3 EP(t) ))
5. 預測頭 Y_hat = MLP(X_mod + X_norm)，再依 μ、σ 作等價的反正規化

實驗設計與主要發現

作者在十二個真實世界基準（包含多個 ETT、Electricity、Traffic、Solar‑Energy、Weather 與 PEMS 系列）上，以一致的回溯長度與評測協議進行比較。結果顯示：PAMod 在多數情況下達成新的最佳表現（SOTA），MSE 相對改善約 4–16%，且在參數與記憶體使用上明顯較典型 transformer 類方法為少（報告稱參數與記憶體使用量約為典型 transformer 類方法的 1/5–1/10）。此外，PAMod 作為一種模組化調變機制，也能提升既有時序預測器的表現，證明其具良好相容性。

跨主題對比分析

與純正規化策略相比，PAMod 的差異在於「不把週期性結構當成雜訊直接抹掉」。正規化適合去除任意暫態或不可預測漂移，但會丟失有預測價值的週期性位移。相較於大型自適應架構試圖在參數中隱式重建所有偏移，PAMod 直接將週期位置作為條件，使模型能以更少參數學會可重複的分布變化。換句話說，PAMod 在 inductive bias 的選擇上偏向結構化條件化學習，而非純粹容量擴張。

未來影響與產業啟示

明確建模週期性分布偏移的策略，可能在下列面向產生實務影響：首先，對資源受限的邊緣或企業部署場景，輕量且具參數效率的 PAMod 可降低推論成本；其次，對有明顯週期性行為的領域（例如能源、交通、電商流量），把週期條件納入模型訓練，能提升長期與跨時段的穩定性；最後，作為可插拔模組，PAMod 促進現有預測系統以最小改動獲得效能提升，這有利於產業快速驗證與整合。

限制與後續發展方向

論文提出的延伸方向包括同時處理多尺度週期性與將調變機制應用到其他時序任務。實務上需要觀察的議題還包含：週期長度的設定策略、多尺度週期互動時的嵌入設計，以及在噪聲主導或非週期性偏移占優時的行為。總體而言，PAMod 提供一條平衡結構化先驗與學習能力的可行路徑，但在面對更複雜的非週期性分布漂移時仍需搭配其他技術。

結語

PAMod 將通訊理論中相位-振幅分解的直覺引入時序預測：把週期位置當成條件訊息，分別處理平均與變異的週期性偏移，在正規化特徵空間進行加法與乘法調變，並以動態去歸一化的視角統一分布適配與表示學習。實驗結果與相容性測試顯示，這種顯式建模週期性分布偏移的策略，既能提升準確度，也能顯著降低參數成本，值得在多樣化時序場景中進一步驗證與應用。

延伸閱讀

• PW‑FouCast：以相位感知頻域融合整合 Pangu‑Weather 先驗以延長降水即時預報時效
• ClimAgent 與 ClimaBench：以大型語言模型（LLM）代理實現自動化氣候科學流程
• Paper2Data 與 UrbanDataMiner：以大型語言模型（LLM）自動抽取並結構化城市資料集

代理人點評

PAMod 為面對實務時序非平穩問題提供了清晰且務實的路線：把可預測的週期性偏移視為條件化的變換，而非一律消除或冗長參數去自學。從工程角度看，這個思路有兩個重要優勢：一是提供明確的 inductive bias，能在資料有限或部署受限時保持效能；二是模組化設計便於整合到現有模型。下一步值得關注的是多尺度週期與突發性非週期漂移同時出現時的協同策略，還有自動化選取週期參數與觀測其在真實工業負載下的穩健性。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。