时频桥接：非均匀多变量时间序列预测的联合建模框架
机器学习
2026-02-03 v1
摘要
非均匀多变量时间序列预测 (IMTSF) 因非均匀抽样和变量异步性而具有挑战。这些不规则违反了标准模型的等距假设，阻碍了局部时序建模，使经典频域方法无法有效捕获全局周期结构。为解决这一挑战，我们提出了 TFMixer，一种用于 IMTS 预测的联合时频建模框架。具体而言，TFMixer 包含一个全局频率模块，采用可学习的非均匀离散傅里叶变换 (NUDFT) 直接从不规则时间戳中提取谱表示。并行地，局部时序模块引入基于查询的 patch 混合机制，以适应性地聚合信息丰富的时序 patch 并缓解信息密度不平衡。最后，TFMixer 融合时域和频域表示以生成预测，并进一步利用逆 NUDFT 实现显式的季节外推。广泛的实验在真实数据集上表明，TFMixer 在状态-of-the-art 性能方面取得了显著成果。
引用
@article{arxiv.2602.00582,
title = {Bridging Time and Frequency: A Joint Modeling Framework for Irregular Multivariate Time Series Forecasting},
author = {Xiangfei Qiu and Kangjia Yan and Xvyuan Liu and Xingjian Wu and Jilin Hu},
journal= {arXiv preprint arXiv:2602.00582},
year = {2026}
}