面向可解释且稳健的时间序列预测的统一频率域分解框架
机器学习
2025-10-14 v1 人工智能
摘要
当前的时间序列预测方法，无论是在时域还是频率域，主要使用基于线性层或 transformer 的深度学习模型。它们以黑箱方式对时间序列数据进行编码，仅依赖预测性能进行试错式优化，导致可解释性和理论理解受限。此外，数据在时域和频率域中的动态分布变化构成了准确预测的关键挑战。我们提出了 FIRE，一个统一的频率域分解框架，为各种类型的时间序列提供数学抽象，以实现可解释且稳健的时间序列预测。FIRE 引入了若干关键创新：(i) 独立建模�幅和相位分量；(ii) 对频率基分量的自适应学习权重；(iii) 目标化损失函数；以及 (iv) 稀疏数据的新训练范式。广泛的实验表明，FIRE 在长期预测基准测试中始终优于最先进的模型，实现了卓越的预测性能并显著提升了时间序列的可解释性。
引用
@article{arxiv.2510.10145,
title = {A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting},
author = {Cheng He and Xijie Liang and Zengrong Zheng and Patrick P. C. Lee and Xu Huang and Zhaoyi Li and Hong Xie and Defu Lian and Enhong Chen},
journal= {arXiv preprint arXiv:2510.10145},
year = {2025}
}