ATFNet：用于长期时间序列预测的自适应时频集成网络
机器学习
2024-04-09 v1
摘要
时间序列数据分析的复杂性极大地受益于时域和频域表示所提供的独特优势。时域在表示局部依赖性方面表现出色，特别是在非周期序列中；而频域则擅长捕捉全局依赖性，使其非常适合具有明显周期模式的序列。为了利用这两方面的优势，我们提出了 ATFNet，这是一个结合了时域模块和频域模块的创新框架，以同时捕捉时间序列数据中的局部和全局依赖性。具体而言，我们引入了主谐波序列能量加权，这是一种基于输入时间序列的周期性动态调整两个模块之间权重的新机制。在频域模块中，我们利用扩展 DFT 增强了传统的离散傅里叶变换（DFT），旨在解决离散频率不对齐的挑战。此外，我们的复值谱注意力机制提供了一种新颖的方法来识别不同频率组合之间的复杂关系。在多个真实世界数据集上的广泛实验表明，我们的 ATFNet 框架在长期时间序列预测方面优于当前最先进的方法。
引用
@article{arxiv.2404.05192,
title = {ATFNet: Adaptive Time-Frequency Ensembled Network for Long-term Time Series Forecasting},
author = {Hengyu Ye and Jiadong Chen and Shijin Gong and Fuxin Jiang and Tieying Zhang and Jianjun Chen and Xiaofeng Gao},
journal= {arXiv preprint arXiv:2404.05192},
year = {2024}
}