Dualformer：面向长期时间序列预测的时频双域学习
机器学习
2026-01-23 v1
摘要
基于 Transformer 的模型尽管在长期时间序列预测（LTSF）方面展现出潜力，但受限于固有的低通滤波效应，这限制了其有效性。该问题源于频率分量在各层间的无差别传播，导致对捕捉细粒度时间变化至关重要的高频信息逐渐衰减。为解决这一局限，我们提出 Dualformer，这是一个原则性的双域框架，从逐层视角重新思考频率建模。Dualformer 引入了三个关键组件：（1）双分支架构，同时在时域和频域对互补的时间模式进行建模；（2）分层频率采样模块，将不同的频带分配给不同层，在较低层保留高频细节，同时在较深层对低频趋势进行建模；（3）周期性感知加权机制，基于输入的谐波能量比动态平衡双分支的贡献，并通过推导出的下界提供理论支持。这种设计实现了结构化的频率建模以及时频特征的自适应融合，有效保留了高频信息并增强了泛化能力。在八个广泛使用的基准数据集上进行的大量实验证明了 Dualformer 的鲁棒性和卓越性能，尤其是在异构或弱周期性数据上。我们的代码已公开于 https://github.com/Akira-221/Dualformer。
引用
@article{arxiv.2601.15669,
title = {Dualformer: Time-Frequency Dual Domain Learning for Long-term Time Series Forecasting},
author = {Jingjing Bai and Yoshinobu Kawahara},
journal= {arXiv preprint arXiv:2601.15669},
year = {2026}
}