KFS：基于 KAN 的自适应频率选择学习架构用于长期时间序列预测
机器学习
2026-03-18 v2
摘要
多尺度分解架构已成为时间序列预测的主要方法之一。然而，现实时间序列在不同尺度上都存在噪声干扰，同时在不同尺度的频率分量中呈现异构信息分布，导致多尺度表示次优。以 Kolmogorov-Arnold Networks（KAN）和 Parseval 定理为灵感，我们提出了一种基于 KAN 的自适应频率选择学习架构（KFS），以应对这些挑战。该框架通过其 FreK 模块，在谱域中执行能量分布基准的主导频率选择；同时，KAN 实现复杂的模式表示，而时间戳嵌入对齐在不同尺度之间同步时间表示。随后，特征混合模块将尺度特定的模式与对齐后的时间特征融合。广泛的实验表明，KT 在多个真实时间序列数据集上实现了最先进的性能，作为一个简单而有效的架构。
引用
@article{arxiv.2508.00635,
title = {KFS: KAN based adaptive Frequency Selection learning architecture for long term time series forecasting},
author = {Changning Wu and Gao Wu and Rongyao Cai and Yong Liu and Kexin Zhang},
journal= {arXiv preprint arXiv:2508.00635},
year = {2026}
}
备注
arXiv admin note: text overlap with arXiv:2406.03751 by other authors