FredNormer：基于频域归一化的非平稳时间序列预测
机器学习
2024-10-17 v4 机器学习
摘要
最近的归一化方法在解决分布迁移问题方面取得了很大成功，促进了非平稳时间序列预测。由于这些方法在时域中运作，可能无法完全捕捉更明显于频域中的动态模式，从而导致次优结果。本文首先理论分析了归一化方法如何影响频率成分。我们证明，当前在时域中运作的归一化方法均匀缩放非零频率，因而难以确定贡献更健壮预测的成分。因此，我们提出了FredNormer，该方法从频率视角观察数据集，并自适应地放大关键频率成分。为此，FredNormer由两个组件构成：一个统计量，基于样本的频率稳定性对输入样本进行归一化处理；以及一个可学习的加权层，用于调整稳定性并引入样本特定的变异。值得注意的是，FredNormer是一个即插即用模块，不会以牺牲效率为代价。广泛的实验表明，FredNormer在ETTm2数据集上将基座预测模型的平均MSE提高了33.3%和55.3%。与基线归一化方法相比，FredNormer在28个设置中获得了18个第一名成绩和6个第二名成绩。
关键词
引用
@article{arxiv.2410.01860,
title = {FredNormer: Frequency Domain Normalization for Non-stationary Time Series Forecasting},
author = {Xihao Piao and Zheng Chen and Yushun Dong and Yasuko Matsubara and Yasushi Sakurai},
journal= {arXiv preprint arXiv:2410.01860},
year = {2024}
}