不规则多变量时间序列的预测任务在医疗、气象等领域至关重要，但其面临着采样间隔不均和数据缺失两大挑战。传统方法难以在稀疏数据中捕捉可靠模式，而现有的大型预训练模型多为规则采样数据设计。
针对这些问题，研究者们提出了创新的解决方案。一篇论文（ReIMTS）通过一种递归多尺度建模方法，在不重采样的情况下，保留原始时间戳和采样模式信息，从全局到局部捕捉多尺度依赖。另一篇论文（VIMTS）则开创性地将视觉预训练模型应用于IMTS领域，通过将时间序列转化为时间×通道的特征"补丁"（Patch），并利用视觉掩码自编码器 (Masked Autoencoder, MAE) 的强大能力处理稀疏信息，实现了卓越的预测性能和少样本学习能力。这些研究为IMT S分析开辟了新的道路。
我整理了ReIMTS核心代码（递归分割+不规则融合，PyTorch手写），感兴趣的dd，希望能帮到你！
一、论文1：LEARNING RECURSIVE MULTI-SCALE REPRESENTATIONS FOR IRREGULAR MULTIVARIATE TIME SERIES FORECASTING (ICLR 2026)
方法：
该论文提出了一种名为 ReIMTS 的递归多尺度建模方法。其核心思想是，在不同尺度上，通过时间周期 (time periods) 而非观测点数量，对原始IMTS样本进行递归式切分，生成从长到短的子样本序列。
这种方法保留了原始的采样时间戳和模式。在每个尺度上，模型使用一个IMTS骨干网络提取特征表示，并将上一尺度（全局）的表示与当前尺度（局部）的表示进行融合，最终实现从全局到局部的依赖关系捕捉，以进行精准预测。
创新点：
-
保留原始采样模式：与传统多尺度方法依赖的重采样（resampling）不同，ReIMTS通过基于时间周期的递归切分，完整地保留了原始数据的时间戳和采样稀疏模式，避免了关键信息的丢失。
-
即插即用 (Plug-and-Play) 的框架：ReIMTS被设计为一个灵活的框架，可以与大多数现有的基于编码器-解码器结构的IMTS模型（如GRU-D, GraFITi）无缝集成，作为一种增强模块显著提升其预测性能。
-
不规则性感知的表示融合 ：提出了一种轻量级的不规则性感知的表示融合机制 (irregularity-aware representation fusion) 。该机制通过一个评分层和掩码（mask）为来自上层（更宏观尺度）的全局表示分配权重，使其能有效融合局部表示，同时考虑到数据的不规则性。
G_{n+1} = E_{n+1} + \\alpha H_n\^{\\text{IMTS}}
二、论文2：IMTS is Worth Time×Channel Patches: Visual Masked Autoencoders for Irregular Multivariate Time Series Prediction (ICML 2025)
方法：
该论文提出了一个名为 VIMTS 的框架，首次将视觉预训练MAE模型用于IMTS预测。其方法分为三步：
-
时间×通道补丁化 (Time×Channel Patchify) ：将不规则的IMTS数据沿时间轴按相等间隔切分为多个区块，并利用可变形时间感知卷积网络（TTCN）提取特征，形成"补丁"。之后，使用图卷积网络 (Graph Convolutional Networks, GCNs)学习通道间的依赖关系，为缺失信息的补丁进行特征层面的补充。
-
时间维度重建 (Time-Wise Reconstruction) ：将处理后的特征补丁序列送入一个预训练的视觉MAE模型，利用其强大的稀疏多通道信息建模能力，重建被掩码或未来的补丁，从而学习到补丁间的时间依赖性。
-
从补丁到点 (Patch2Point) 的预测 ：采用一种从粗到细的策略，利用具体查询时间戳的嵌入（embedding）来查询对应时间区间的重建补丁表示，通过一个MLP网络生成精准的单点预测值。
创新点：
-
视觉基础模型的跨界应用：首次成功地将为图像领域设计的视觉MAE模型适配到IMTS预测任务中，利用其在处理稀疏多通道信息上的强大能力来解决IMTS数据缺失和不规则性的挑战。
-
两阶段训练策略 ：设计了一种包含自监督学习 (self-supervised learning) 和监督微调的训练策略。第一阶段通过掩码重建任务，使视觉MAE模型适应IMTS数据的特性；第二阶段再针对具体的预测任务进行微调，显著提升了模型的性能和少样本 (few-shot) 学习能力。
-
创新的编码-解码策略：提出了新颖的"时间×通道补丁化"编码方式，有效处理了时间未对齐和数据缺失问题。同时，其"Patch2Point"解码策略能够聚焦于相关的时空上下文，从粗粒度的补丁表示中生成精细、准确的单点预测，提高了灵活性和精度。
H_p\^{\\text{gcn}} = \\text{ReLU}\\left( \\sum_{m=0}\^{M} (A_p)\^m H_p W_m\^{\\text{gcn}} \\right) + H_p
