MLOW：基于低秩频率幅值分解的可解释时间序列多效应预测
机器学习
2026-03-20 v1
摘要
分离时间序列中的多个效应是时间序列预测(TSF)中基础且具有挑战性的任务。然而，现有的TSF模型无法通过其基于平滑的时序技术有效学习可解释的多效应分解。此处，一种新的可解释频率分解管道MLOW捕获了关键见解：时间序列可表示为幅度光谱乘以相应相位感知基函数的乘积，幅度光谱分布总是为不同效应显示可观察的模式。MLOW学习幅度光谱的低秩表示，以捕获主导趋势和季节性效应。我们探索了低秩方法，包括PCA、NMF和Semi-NMF，发现它们无法同时实现可解释、高效和可泛化的分解。因此，我们提出了超平面非负矩阵分解(Hyperplane-NMF)。进一步，为解决频率(谱)泄漏限制高质量低秩分解的问题，MLOW通过一种数学机制启用了灵活的输入时段和频率水平选择。可视化分析表明，MLOW实现了可解释且层次化的多效应分解，对噪声鲁棒。它还可通过最小架构修改实现与现有TSF backbones的即插即用，显著提升性能。
引用
@article{arxiv.2603.18432,
title = {MLOW: Interpretable Low-Rank Frequency Magnitude Decomposition of Multiple Effects for Time Series Forecasting},
author = {Runze Yang and Longbing Cao and Xiaoming Wu and Xin You and Kun Fang and Jianxun Li and Jie Yang},
journal= {arXiv preprint arXiv:2603.18432},
year = {2026}
}