D-PAD：用于时间序列预测的深度-浅层多频率模式解缠
人工智能
2024-03-27 v1
摘要
在时间序列预测中，有效地解缠复杂的时间模式至关重要。虽然最近的研究努力将分解技术与深度学习相结合，但多个频率仍可能在分解组件中混合，例如趋势和季节性。此外，频率域分析方法（例如傅里叶和小波变换）在时域分辨率和适应性方面存在局限。本文提出D-PAD，一种用于时间序列预测的深度-浅层多频率模式解缠神经网络。具体而言，引入多组件分解（MCD）块，将序列分解为具有不同频率范围的组件，对应于"浅层"方面。提出分解-重构-分解（D-R-D）模块，用于逐步提取组件中混合的频率信息，对应于"深层"方面。随后，使用交互和融合（IF）模块进一步分析这些组件。在七个真实数据集上的大量实验表明，D-PAD实现了最佳性能，平均以9.48%和7.15%的MSE和MAE优于最佳基线。
引用
@article{arxiv.2403.17814,
title = {D-PAD: Deep-Shallow Multi-Frequency Patterns Disentangling for Time Series Forecasting},
author = {Xiaobing Yuan and Ling Chen},
journal= {arXiv preprint arXiv:2403.17814},
year = {2024}
}