Fi$^2$VTS：基于捕捉频域内内部及变量间变异的时序预测

时序预测（TSF）在医疗监护和作物生长等诸多应用中发挥着关键作用。尽管深度学习方法在TSF方面取得了进展，但其对长期序列的预测能力仍受限。这一限制源于未能同时考虑internal和inter-variable变异。为缓解这一挑战，我们引入Fi$^2$VBlock，利用频域视角捕捉internal和inter-variable变异。经过Frequency Transform Module转换至频域后，设计了Real和Imaginary部分之间的Frequency Cross Attention，以获得更强的频率表示并捕捉internal变异。此外，采用Inception模块进行信息整合，从而捕获不同变量之间的相关性。我们设计的主干网络Fi$^2$VTS采用残差架构，通过拼接多个Fi$^2$VBlock来防止梯度消失问题。理论上，我们证明Fi$^2$VTS在每个Fi$^2$VBlock的计算中将时间和空间复杂度从$\mathcal{O}(L^2)$显著降低至$\mathcal{O}(L)$。经验评估表明，Fi$^2$VTS在两个基准数据集上超越了其他基线方法。实现代码已访问于\url{https://github.com/HITshenrj/Fi2VTS}。