WinNet 是一种高准确性、简单结构的基于 CNN 的模型，用于长期时间序列预测任务，包括将一维序列转换为具有长期和短期周期性的二维张量，建模周期趋势和振荡项，以及利用周期趋势和振荡项的相关性通过 CNN 支持预测任务。通过在九个基准数据集上的结果显示，WinNet 在性能和计算复杂度方面达到了 SOTA 的水平，并为时间序列预测任务中的 CNN 方法提供了潜力，实现了性能和效率的完美权衡。

Nov, 2023

此研究论文介绍了自适应小波网络（AdaWaveNet），它是一种新颖的方法，采用自适应小波变换对非平稳时间序列数据进行多尺度分析。AdaWaveNet 设计了基于 lifting scheme 的小波分解和构造机制，提供了增强的灵活性和鲁棒性，在预测、填充和高清重建等任务上表现出了优越的效果，展示了其在各种实际应用中的潜力。

May, 2024

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。

Aug, 2023

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

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

本文即系统地研究了小波变换和 Transformer 之间的协同作用，提出了 WISE 范式，通过应用前向小波变换、在小波系数空间中进行非线性变换、通过反向小波变换在输入空间中重构表示的方法，用固定或自适应小波在小波空间中学习注意力可以一致地改善 Transformer 的性能，并且明显优于基于傅里叶变换的方法。

Oct, 2022

该研究综合了小波分析技术与机器学习方法，针对单变量时间序列预测提出了三个主要贡献：考虑使用带有不同消失矩的 Daubechies 小波作为非时态和时态预测方法的输入特征；比较非分解小波变换和非分解小波包变换在计算这些特征时的使用情况；在更广泛的预测方法上评估这些小波特征的应用，包括时态和非时态模型以及统计学和基于深度学习的方法，结果表明在一步向前预测的所有非时态方法中，用小波特征替换高阶滞后特征具有显著的益处，在长期预测的时态深度学习模型中，将小波特征用作输入则存在一定的效益。

Mar, 2024

通过多层小波分解和正反向残差结构，WEITS 将频率分析引入高度深度学习框架，拥有较强的表示能力和统计解释能力，实验证明其在时间序列预测方面具有竞争力的性能和高计算效率的额外优势。

May, 2024

本文提出了一种多周期性检测的鲁棒而通用的框架，它应用最大重叠离散小波变换将时间序列转化成多个时间频率尺度，隔离不同的周期分量，通过我们提出的 Huber-periodogram 和 Huber-ACF 鲁棒地单周期性检测。我们还计算了基于 Wiener-Khinchin 定理的无偏自相关函数，以进一步优化检测到的周期。

Feb, 2020

为了捕捉局部和全局依赖关系，我们在频域和时域中引入了频域与时域混合器 (FTMixer) 来表示时间序列数据，通过频率通道卷积模块 (FCC) 和窗口频率卷积模块 (WFC) 来分别捕捉全局和局部依赖关系。同时，采用独立通道方案混合时域和频域补丁以更好地捕捉局部依赖关系。通过七个真实世界的长期时间序列数据集的广泛实验结果表明，FTMixer 在预测性能和计算效率方面具有优势。

May, 2024