即插即用系列（代码实践） | AMD核心模块：自适应多尺度分解框架——纯MLP架构吊打Transformer，时间序列预测新SOTA
论文题目：Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting
中文题目：用于时间序列预测的自适应多尺度分解框架
论文出处：arXiv 2024 (清华大学深圳国际研究生院 & 同济大学)
应用任务：时间序列预测 (Time Series Forecasting)、长期预测
核心模块：AMD (Adaptive Multi-Scale Decomposition)
摘要：
本文提取自2024年最新论文《Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting》。针对现有的基于 Transformer 的预测方法计算复杂度高、易过拟合，而基于 MLP 的方法（如 DLinear）虽快但难以捕捉复杂的多尺度纠缠模式（Multi-Scale Entanglement）的痛点，复现了其核心架构——AMD（自适应多尺度分解框架）。该模型完全基于 MLP 构建，通过独特的分解与混合机制，在长时序预测任务上以更低的参数量和更快的速度，取得了超越主流 Transformer 的 SOTA 性能。
目录
- 第一部分：模块原理与实战分析
- 1. 论文背景与解决的痛点
- 2. 核心模块原理揭秘
- 3. 架构图解
- 4. 适用场景与魔改建议
- 第二部分：核心完整代码
- 第三部分：结果验证与总结
第一部分：模块原理与实战分析
1. 论文背景与解决的痛点
在时间序列预测（TSF）领域，风向正在从复杂的 Transformer 吹回简洁的 MLP：
- Transformer 的“富贵病”：虽然擅长捕捉长距离依赖，但计算量大（），且在数据噪声大时容易过拟合。
- MLP 的“短板”：DLinear 等方法证明了简单的线性层也能打败 Transformer，但面对现实世界中复杂的多尺度纠缠（Multi-Scale Entanglement）——即不同时间尺度的模式混合在一起（如日周期、周趋势、突发噪声交织），简单的 MLP 往往显得力不从心，难以解耦这些特征。
痛点总结：我们需要一种既有 MLP 的高效，又能像 Transformer 一样处理复杂多尺度模式的模型。
2. 核心模块原理揭秘
为了解决上述问题，论文提出了AMD (Adaptive Multi-Scale Decomposition)框架。我已将其封装为完整的 PyTorch 模型，其核心设计包含以下“三板斧”：
- 多尺度分解混合 (MDM Block)：
AMD 并不依赖传统的固定分解（如 STL 分解），而是提出了一种可学习