M$^2$FMoE：用于极端自适应时间序列预测的多分辨率多视图频率混合专家模型
机器学习
2026-01-14 v1 人工智能
摘要
预测具有极端事件的时间序列至关重要但也极具挑战性，因为它们具有高方差、不规则的动态以及稀疏但高影响力的性质。虽然现有方法在建模主导的规律模式方面表现出色，但它们在极端事件期间的性能会显著下降，这构成了实际应用中预测误差的主要来源。尽管一些方法结合了辅助信号以提高性能，但它们仍然无法捕捉极端事件复杂的时序动态。为了解决这些局限性，我们提出了 MFMoE，这是一个极端自适应预测模型，通过多分辨率和多视图频率建模来学习规律和极端模式。它包含三个模块：（1）多视图频率混合专家模块将专家分配给傅里叶和小波域中不同的频带，跨视图共享频带分割器对齐频率划分并实现专家间协作，以捕捉主导和罕见的波动；（2）多分辨率自适应融合模块从粗到细的分辨率分层聚合频率特征，增强对短期变化和突发变化的敏感度；（3）时间门控集成模块动态平衡长期趋势和短期频率感知特征，提高对规律和极端时序模式的适应性。在具有极端模式的真实世界水文数据集上的实验表明，MFMoE 在不需要极端事件标签的情况下优于 SOTA 基线。
引用
@article{arxiv.2601.08631,
title = {M$^2$FMoE: Multi-Resolution Multi-View Frequency Mixture-of-Experts for Extreme-Adaptive Time Series Forecasting},
author = {Yaohui Huang and Runmin Zou and Yun Wang and Laeeq Aslam and Ruipeng Dong},
journal= {arXiv preprint arXiv:2601.08631},
year = {2026}
}
备注
Accepted by AAAI 2026