FTMixer：时频域表示融合用于时间序列建模
机器学习
2024-08-13 v2
摘要
时间序列数据可以在时域和频域中表示，时域强调局部依赖关系，频域强调全局依赖关系。为了利用两个域在捕获局部和全局依赖关系方面的优势，我们提出了频域和时域混合器（FTMixer）。为了利用频域的全局特性，我们引入了频率通道卷积（FCC）模块，旨在捕获全局序列间依赖关系。受频域变换中加窗概念的启发，我们提出了加窗频率卷积（WFC）模块来捕获局部依赖关系。WFC模块首先在每个窗口内应用频率变换，然后在窗口之间进行卷积。此外，为了更好地捕获这些局部依赖关系，我们采用通道独立方案来混合时域和频域块。值得注意的是，FTMixer使用基于实数的离散余弦变换（DCT）而不是基于复数的离散傅里叶变换（DFT），从而能够在频域中直接利用现代深度学习算子。在七个真实世界长期时间序列数据集上的大量实验结果表明，FTMixer在预测性能和计算效率方面均具有优越性。
引用
@article{arxiv.2405.15256,
title = {FTMixer: Frequency and Time Domain Representations Fusion for Time Series Modeling},
author = {Zhengnan Li and Yunxiao Qin and Xilong Cheng and Yuting Tan},
journal= {arXiv preprint arXiv:2405.15256},
year = {2024}
}