频域多层感知机是时间序列预测中更有效的学习器
机器学习
2023-11-13 v1 人工智能
摘要
时间序列预测在金融、交通、能源和医疗等不同工业领域中发挥着关键作用。尽管现有文献已基于 RNN、GNN 或 Transformer 设计了诸多复杂架构，另一类基于多层感知机（MLPs）的方法以结构简单、低复杂度和优异性能被提出。然而，大多数基于 MLP 的预测方法受限于逐点映射与信息瓶颈，极大阻碍了预测性能。为克服该问题，我们探索了在频域应用 MLP 进行时间序列预测的新方向。我们研究了频域 MLP 的学习模式，发现其有益于预测的两个固有特性：（i）全局视角：频谱使 MLP 拥有对信号的完整视角并更易学习全局依赖；（ii）能量压缩：频域 MLP 聚焦于频率分量中更小的关键部分，信号能量紧凑。进而，我们提出 FreTS，一种基于频域 MLP 构建的简洁而高效的时间序列预测架构。FreTS 主要涉及两个阶段：（i）域转换，将时域信号转换为频域的复数；（ii）频率学习，对我们重新设计的 MLP 进行实数与虚数部分的学习。上述阶段在序列间与序列内尺度上操作，进一步有助于通道维与时间维的依赖学习。在 13 个真实基准（包括 7 个短期预测基准和 6 个长期预测基准）上的大量实验证明了我们相对于最先进方法的一致优越性。
引用
@article{arxiv.2311.06184,
title = {Frequency-domain MLPs are More Effective Learners in Time Series Forecasting},
author = {Kun Yi and Qi Zhang and Wei Fan and Shoujin Wang and Pengyang Wang and Hui He and Defu Lian and Ning An and Longbing Cao and Zhendong Niu},
journal= {arXiv preprint arXiv:2311.06184},
year = {2023}
}