不是所有的频率都是平等的:朝着时间序列预测中频率的动态融合

Jul, 2024

不是所有的频率都是平等的:朝着时间序列预测中频率的动态融合

Not All Frequencies Are Created Equal:Towards a Dynamic Fusion of Frequencies in Time-Series Forecasting

Xingyu Zhang, Siyu Zhao, Zeen Song, Huijie Guo, Jianqi Zhang...

TL;DR为了解决长期时间序列预测中的依赖性问题，本研究提出了一种名为Frequency Dynamic Fusion（FreDF）的方法，该方法利用Fourier分析来捕捉不同频率下的时间序列模式，并动态地融合预测结果。通过广泛实验和消融研究，证明了FreDF在多个基准数据集上的有效性，并提供了时间序列预测的泛化能力的界限。

Abstract

long-term time series forecasting is a long-standing challenge in various applications. A central issue in time series forecasting is that methods should expressively capture long-term dependency. Furthermore, time series forecasting methods should be flexible when applied to different

发现论文，激发创造

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

时间建模转换器用于长期序列预测

通过将时间序列分成按天分割的小块，重新进行逐块方式处理并设计时间建模Transformer-Dateformer，以提高Transformers模型的信息输入和输出并使模型能够全局分析时间序列，大幅提高了时间序列预测的准确性和半年的最大预测范围。

Jul, 2022

多元时序预测的联合时频域变换器

该研究提出了一种联合时频域变压器模型(JTFT)进行多元预测的方法，其中使用少量可学习的频率，利用时间序列在频域中的稀疏性来有效提取时间依赖关系，并且JTFT通过在时域中直接编码最近的数据点来增强局部关系的学习能力和减轻不稳定性的不利影响，该方法线性复杂度，同时采用低秩注意层来高效捕获跨维度依赖关系并提高模型性能，实验证明JTFT优于现有的方法。

May, 2023

TFDNet：基于时频增强分解网络的长期时间序列预测

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

FCDNet: 频率引导的补充依赖建模用于多变量时间序列预测

FCDNet是一个简洁而有效的框架，通过两个轻量级依赖构造器，从多层频率模式中自适应地提取长期和短期依赖信息，从而克服了先前方法所面临的限制，并显著超过强基线，平均改进了MAE的6.82%、RMSE的4.98%和MAPE的4.91%。

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

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

PDMLP：基于补丁的分解MLP用于长期时间序列预测

我们的研究通过改进Transformer架构，提出了一种基于Patch机制和线性层的新型解决方案PDMLP，用于长期时间序列预测任务，并在多个真实数据集上实现了最先进的结果。

May, 2024

Fredformer: 为时间序列预测提供频率无偏的Transformer

本文介绍了一种基于 Transformer 的框架 Fredformer，用于准确预测时间序列数据，该框架通过均匀地学习不同频带的特征来减轻频率偏差，并且引入了一个轻量级变种的 Fredformer，其参数更少、计算成本更低，但性能仍然可与其他基线方法相比。

Jun, 2024

深度频率导数学习用于非平稳时间序列预测

我们提出了一种基于频率导数学习的非平稳时间序列预测框架DERITS，通过整个频率谱将时间序列进行转换，使其从频率角度充分利用数据分布，从而在时间序列预测和分布偏移方面表现出持续的优越性。

Jun, 2024