能源感知模式解耦：面向多任务时间序列分析的通用模式辅助架构

时间序列分析在气象预测、异常检测和医疗保健等领域得到了广泛应用。尽管深度学习方法在该领域取得了显著成果，但现有方法常采用“一模型一任务”架构，限制了其在不同任务之间的泛化能力。为此，我们在时频域进行局部能量分析，以更精确地捕获和解耦瞬态和非平稳振荡分量。进一步，我们的表征分析表明，生成类任务倾向于从低频分量中捕获长周期模式，而判别类任务关注高频突变信号，这构成了我们的核心贡献。具体而言，我们提出一种基于通用波动模式辅助（GPA）框架的新型“一模型多任务”架构（Pets），可适用于多种时间序列分析模型结构。Pets集成了波动模式辅助（FPA）模块和由上下文引导的预测器混合（MoP）模块。FPA模块通过捕获这些振荡模式的依赖关系并逐层建模这些模式作为潜在表征来促进不同波动模式之间的信息融合。与此同时，MoP模块利用这些通用可解释的模式表征来引导和层次化地调节不同波动的重建。Pets在包括预测、插值、异常检测和分类在内的60个基准测试中表现出强大的灵活性，实现了最先进的性能，同时展现出强大的泛化性和鲁棒性。