May, 2024

FAITH: 时间序列预测中的频域关注在两个视野中

PDF
TL;DR提出了一种新的模型 FAITH，通过多尺度序列自适应分解和融合架构将时间序列分解为趋势和季节成分并分别处理，利用频域进行特征提取和处理，显著提高了处理长期依赖和复杂模式的能力，在长期和短期的时间序列预测任务中优于现有模型。
time series forecastingdeep learning-based predictive modelsfrequency domainlong-term forecastingshort-term forecasting
发现论文，激发创造
  • FECAM: 时间序列预测的频率增强通道注意机制

    本研究提出了一种新的频率增强通道注意力机制，可以自适应地建模通道之间的频率相互依赖关系，避免傅里叶变换中出现的问题性周期性引起的高频噪声，目的是改善当前主流网络的预测能力，并显示出良好的性能。

    Dec, 2022

  • 多元时间序列预测的时间模式关注

    本文提出了一种基于循环神经网络带有注意力机制和频域信息的多元时间序列预测方法，并在多项实际应用任务中实现了最佳性能。

    Sep, 2018

  • 通过注意力共享进行时间序列预测的域自适应

    提出了一种新颖的域适应预测框架（Domain Adaptation Forecaster，DAF），该框架利用统计上的优势，从具有大量数据样本的相关领域（源）汲取经验，从而提高目标领域（带有有限数据量的）的性能，实现了对源和目标域的联合培训，并展示了在各种领域上的出色表现。

    Feb, 2021

  • 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

  • 频域多层感知机在时间序列预测中的更高学习能效

    将 MLP 应用于频域的时间序列预测方法称为 FreTS，并在 13 个真实世界基准测试中展现出与现有方法相比的显著优势。

    Nov, 2023

  • 使用频率屏蔽解释时间序列模型

    该论文介绍了一种基于遮罩方法的频率和时频域解释方法 FreqRISE，它能够在多个任务中展现最佳性能，并主张时间序列的显著信息更可能局部化于频率域。

    Jun, 2024

  • 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

  • 基于注意力机制的频率多任务学习用于电力系统故障检测

    本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

    Sep, 2020

  • 通道和序列的舞动：一种高效的基于注意力的多元时间序列预测方法

    我们介绍了 CSformer 模型，它通过精心设计的两阶段自注意机制实现了序列特定和通道特定信息的提取，并引入了序列适配器和通道适配器，以促进各个维度之间的协同和相互增强，从而显著提高了多变量时间序列数据的特征提取能力。

    Dec, 2023

  • FreDF：频域预测学习

    频率增强直接预测 (FreDF) 绕过标签自相关的复杂性，通过学习在频率域进行预测，实验证明 FreDF 明显优于包括 iTransformer 在内的现有领先方法，并与各种预测模型兼容。

    Feb, 2024