Oct, 2024

FredNormer：非平稳时间序列预测的频域归一化

HTML
PDF
TL;DR本研究解决了现有归一化方法在时域操作时未能充分捕捉频域动态模式的问题。我们提出的FredNormer通过从频率角度观察数据集并自适应加权关键频率成分，显著提高了预测性能。实验结果显示，FredNormer在多项设置中超越了传统归一化方法，平均降低了模型的均方误差。
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

  • 非平稳变压器：探索时间序列预测中的平稳性

    提出了非平稳Transformer，通过序列平稳化和去平稳化注意力机制恢复内在非平稳信息，极大地提高了主流Transformer模型的性能，使它们成为时间序列预测领域的最佳模型。

    May, 2022

  • 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

  • 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

  • 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

    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。

    Jul, 2024

  • 针对系列内和系列间转变的强鲁棒性多元时间序列预测

    通过使用Probabilistic Graphical Model和JointPGM，本文解决了非平稳MTS预测中的分布变化问题，并实现了最先进的预测性能。

    Jul, 2024

  • 频率自适应归一化用于非平稳时间序列预测

    本文针对非平稳时间序列预测中的趋势和季节模式变化提出了新的解决方案，名为频率自适应归一化（FAN）。此方法通过傅里叶变换识别主要频率成分，有效处理动态趋势和季节模式，显著提高了预测精度，在多个基准数据集中平均提升7.76%到37.90%的均方误差（MSE）。

    Sep, 2024

  • 应对分布变化的时间序列预测中的多尺度演化归一化

    本研究解决了复杂分布变化对长期时间序列预测准确性的影响，填补了现有归一化技术忽视多尺度分布动态这一关键问题的空白。通过提出一种新颖的模型无关的多尺度演化归一化框架，EvoMSN，实现了灵活的归一化与去归一化，并设计了协同更新的优化策略，以有效提升五种主流预测方法在基准数据集上的表现。

    Sep, 2024