AWEMixer：用于长期时间序列预测的自适应小波增强混合网络
机器学习
2025-11-10 v1
摘要
在物联网环境中对长期时间序列进行预测仍然是一个重要挑战，主要由于传感器信号的非平稳性和多尺度特性。此外，随着预测时间的推进，误差累积会导致预测质量下降。传统方法仅能在时域内运作，而通过傅里叶变换获得的全局频率信息会被视为平稳信号，从而模糊暂态事件的时序模式。我们提出了AWEMixer，这是一个自适应小波增强混合网络，包含两个创新组件：1）频率路由器设计，用于利用通过快速傅里叶变换获得的全局周期模式来自适应加权局部小波子带；2）相干门控融合块，通过跨注意力和门控机制实现突出频率特征与多尺度时序表征的选择性集成，实现准确的时间频率局部分辨，同时对噪声具有鲁棒性。七个公开基准数据集验证了本模型在最近的领先模型中更有效。具体而言，本模型在长序列时间序列预测中持续优于基于Transformer和基于MLP的领先模型。代码已公开：https://github.com/hit636/AWEMixer
引用
@article{arxiv.2511.04722,
title = {AWEMixer: Adaptive Wavelet-Enhanced Mixer Network for Long-Term Time Series Forecasting},
author = {Qianyang Li and Xingjun Zhang and Peng Tao and Shaoxun Wang and Yancheng Pan and Jia Wei},
journal= {arXiv preprint arXiv:2511.04722},
year = {2025}
}