基于深度学习且结合频率变换的时间序列分析综述

近年来，频率变换（FT）被越来越多地融入深度学习模型，以显著提升时间序列分析中最先进的准确性和效率。FT的优势，如高效率和全局视角，已在各种时间序列任务和应用中得到迅速探索和利用，展示了FT作为时间序列分析新深度学习范式的巨大潜力。尽管这一新兴领域日益受到关注且研究激增，但目前缺乏对基于深度学习且结合FT的时间序列模型的系统综述和深入分析。此外，FT为何能增强时间序列分析及其在该领域的局限性尚不明确。为填补这些空白，我们呈现一篇全面综述，系统调查并总结了基于深度学习且结合FT的时间序列分析的最新研究进展。具体而言，我们探索了当前结合FT的模型所使用的主要方法、利用FT的神经网络类型，以及深度时间序列分析中配备FT的代表性模型。我们提出了一种新颖的分类法来对该领域的现有方法进行分类，为将FT融入深度学习模型以进行时间序列分析所采用的多种方法提供了结构化概览。最后，我们强调了FT在时间序列建模中的优势和局限性，并确定了潜在未来研究方向，以进一步贡献于时间序列分析社区。