LMS-AutoTSF：可学习的多尺度分解与集成自相关时间序列预测
机器学习
2025-01-08 v3 人工智能
摘要
时间序列预测是具有重要应用的挑战，涵盖天气预报、股票市场分析、科学仿真和工业过程分析等领域。本文引入LMS-AutoTSF，一种新型时间序列预测架构，融合了自相关性并利用多个尺度的双编码器。不同于依赖预定义趋势和季节性分量的模型，LMS-AutoTSF每个尺度使用两个独立的编码器：一个专注于低通滤波以捕获趋势，另一个利用高通滤波来建模季节性变化。这些滤波器是可学习的，使模型能够在频域中动态适应和隔离趋势和季节性分量。我们方法的关键创新是集成自相关性，通过计算时间步的滞后差分来实现，从而更有效地捕获跨时间的依赖关系。每个编码器通过全连接层处理输入，以处理时序和通道之间的相互作用。通过结合频域滤波、基于自相关性的时序建模和通道级转换，LMS-AutoTSF不仅准确捕获长期依赖和细粒度模式，而且在处理效率上也优于其他最先进的方法。其轻量级设计确保了更快的处理速度，同时在各种时间范围内保持高预测精度。源代码已公开于\url{http://github.com/mribrahim/LMS-TSF}。
引用
@article{arxiv.2412.06866,
title = {LMS-AutoTSF: Learnable Multi-Scale Decomposition and Integrated Autocorrelation for Time Series Forecasting},
author = {Ibrahim Delibasoglu and Sanjay Chakraborty and Fredrik Heintz},
journal= {arXiv preprint arXiv:2412.06866},
year = {2025}
}