Aug, 2023

TFDNet：基于时频增强分解网络的长期时间序列预测

PDF
TL;DR提出了一种 Time-Frequency Enhanced Decomposed Network (TFDNet) 方法，用于从时频域捕捉长期潜在模式和时间周期性，通过多尺度的时频增强编码器支撑和两个独立的趋势和季节时频块来捕捉多分辨率中分解的趋势和季节成分的不同模式，实验证明 TFDNet 在效果和效率上优于现有方法。
long-term time series forecastingtime-frequency domainstfdnettrend and seasonal componentsmultivariate time series
发现论文，激发创造
  • FDNet: 用于高效、鲁棒和实用的时间序列预测的 焦点分解网络

    本研究提出了 FDNet，一个面向高效、鲁棒、实际的时序预测模型，利用局部特征图从输入序列中提取精细的局部特征，实现了在没有全局粗略特征图的情况下的深度时序预测，并通过焦点输入序列分解方法解决了长序列输入问题。在六项现实世界基准测试中，FDNet 取得了竞争性的预测结果，并平均减少了 38.4％的预测 MSE 与其他 13 个基线相比。

    Jun, 2023

  • 时间序列预测的时空分解与融合网络

    利用 TSDFNet 神经网络的自分解和注意力特征融合机制来实现对时间序列数据的预测，同时解决了传统上严重依赖领域知识的特征选择问题以及深度学习模型的可解释性问题。

    Oct, 2022

  • ATFNet：自适应时频集成网络用于长期时间序列预测

    ATFNet 框架是一种创新性的方法，结合了时间域模块和频率域模块，可以同时捕捉时间序列数据中的局部和全局依赖关系，并在长期时间序列预测方面超越了当前最先进的方法。

    Apr, 2024

  • FEDformer：用于长期序列预测的频率增强分解变换器

    该研究提出了一种名为 FEDformer 的算法，采用 Transformer 和季节趋势分解方法相结合，提高长期预测的性能，同时通过基于 Fourier 变换的频率增强技术进一步提高了预测的准确性，与当前先进的方法相比，在多元和单元时间序列上均能大幅度降低预测误差。

    Jan, 2022

  • 可解释的时间序列分析多层小波分解网络

    本文提出了一种基于小波和神经网络的多级小波分解网络（mWDN），用于构建能 “感知” 时间序列频率的深度学习模型，并基于此模型提出了两个深度学习模型以应用于时间序列分类和预测，并在 40 个常用的 UCR 数据集和真实用户量数据集上进行了广泛实验验证，同时还提出了一种解释深度学习的方法。

    Jun, 2018

  • 基于频域的长期时间序列预测（FreDo）

    本文研究了长期预测问题，提出了一种基于周期性的基础模型和建立在其上的频域神经网络模型 “FreDo”，并通过与时域模型的比较证明了其优越性。

    May, 2022

  • TFAD: 一种基于时频分解的时间序列异常检测架构

    本文提出了一种基于时间 - 频率分析的时序异常检测模型，TFAD，能够利用时间和频率域中的信息来提高性能，并在设计的时频架构中加入了时序分解和数据增强机制，以进一步提高性能和可解释性。经实证研究表明，该方法在单变量和多变量时序异常检测任务中取得了最先进的性能表现。

    Oct, 2022

  • TFDMNet：一种将时间域和频率域特征结合的新型网络结构

    本文提出了一种新的基于频域训练的元素逐位乘法层（EML），用于替代卷积层，并引入了权重固定机制以缓解过拟合问题。同时，分析了批量归一化和丢弃机制在频域中的工作行为。为了在计算复杂度和内存使用之间达到平衡，提出了一种新的网络结构，即时间频域混合网络（TFDMNet），结合了卷积层和 EML 的优势。实验证明，与对应的 CNN 相比，TFDMNet 在 MNIST、CIFAR-10 和 ImageNet 数据库上具有更好的性能并且操作数更少。

    Jan, 2024

  • D-PAD: 深浅多频模式分解用于时间序列预测

    本文提出了 D-PAD，一种深浅多频模式解缠深度学习神经网络，通过引入多组分分解块（MCD block）将时间序列分解为不同频率范围的分量，进而通过分解 - 重构 - 分解（D-R-D）模块渐进性地提取混合在分量中的频率信息，并利用交互与融合（IF）模块进一步分析分量，通过对七个真实数据集的广泛实验表明，D-PAD 达到了最先进的性能，平均 MSE 和 MAE 分别优于最佳基准线 9.48％和 7.15％。

    Mar, 2024

  • WFTNet：利用全局和局部周期性进行长期时间序列预测

    本文提出了一种基于波尔均匀转换网络 (WFTNet) 的长期时间序列预测方法，WFTNet 利用了傅里叶和小波变换来提取信号中综合的时间频率信息，其中傅里叶变换捕捉全局周期模式，小波变换捕捉局部模式，此外还引入了一个周期性加权系数 (PWC) 来自适应地平衡全局和局部频率模式的重要性，丰富的时间序列数据集上的实验结果表明，WFTNet 始终优于其他最先进的基线模型。

    Sep, 2023