FAITH：面向时间序列预测的双视野频域注意力
机器学习
2024-07-02 v3 人工智能
摘要
时间序列预测在工业设备维护、气象、能源消耗、交通流量和金融投资等各个领域都发挥着至关重要的作用。然而，尽管当前基于深度学习的预测模型相比传统统计方法具有显著优势，但其预测结果与真实值之间往往存在显著偏差。这种偏差很大程度上是由于对序列潜在信息的提取不够重视，特别是频域内的全局信息以及不同变量之间的关系。为解决这一问题，我们提出了一种新颖的模型——双视野频域注意力（FAITH），该模型使用多尺度序列自适应分解与融合架构将时间序列分解为趋势和季节成分，并分别处理它们。FAITH利用频域通道特征提取模块和频域时间特征提取模块来捕获序列中的通道间关系和时域全局信息，显著提高了处理长期依赖和复杂模式的能力。此外，FAITH通过修改时频域变换方法实现了理论上的线性复杂度，有效降低了计算成本。在6个长期预测基准和3个短期预测基准上的大量实验表明，FAITH在电力、天气和交通等多个领域优于现有模型，证明了其在长期和短期时间序列预测任务中的有效性和优越性。我们的代码和数据可在https://github.com/LRQ577/FAITH获取。
引用
@article{arxiv.2405.13300,
title = {FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting},
author = {Ruiqi Li and Maowei Jiang and Kai Wang and Kaiduo Feng and Quangao Liu and Yue Sun and Xiufang Zhou},
journal= {arXiv preprint arXiv:2405.13300},
year = {2024}
}
备注
We think there are some errors in the experiment result, it may lead to a wrong conclusion. So we think it will be responsible to withdraw it