用于时间序列预测的多尺度周期残差状态空间模型

基于摘要分析。该研究针对时间序列在不同采样尺度上的模式差异及复杂时空依赖，提出多尺度周期残差状态空间模型 MPRS，核心贡献是结合选择性状态空间建模、卷积与时间维度扩展进行时序特征学习。 其 Multi-scale Temporal Feature Learning Block 包含时空学习层 TSL 和维度扩展层 DimExpand。摘要说明，TSL 使用 Mamba 与 CNN 捕捉空间依赖和局部时间特征，DimExpand 扩展时间维度，以增强全局时间信息学习；但两类模型的具体分工、连接方式及时间扩展实现尚未验证。标题涉及的周期与残差机制、损失函数、训练和推理流程也无法由摘要确定。 作者报告，MPRS 在基准数据集上的预测性能优于其他竞争方法；摘要未提供数据集名称、划分、预测跨度、对照模型、指标或数值，因此无法判断收益大小与适用条件。实验协议、消融及统计信息尚未验证，复现所需的实现、配置与计算资源亦待核对。 平台推测（待验证）：若其空间依赖建模能够适配 EEG 通道结构，多尺度局部与全局时间特征学习可能用于缓解 EEG 短时波动与较长时间依赖难以兼顾的问题。这一假设依赖多通道连续序列、适当的时间尺度及预测监督，并不意味着原领域效果可直接转化为 BCI 解码收益。Mamba 与 CNN 特征模块可能复用，通道结构、时间扩展方式及任务输出需改造；低信噪比、跨被试分布差异、通道不一致和小数据可能削弱其效果。可先在固定被试内划分与预测跨度下开展 EEG 预测小实验，对照 Mamba 基线及移除 DimExpand 的版本，检验时间扩展是否稳定降低预测误差；这不是已验证结果。已有 EEG 相关工作尚未检索确认。