面向多变量时间序列预测的多尺度频率掩码神经网络
机器学习
2024-10-04 v1
摘要
长期时间序列预测（LTSF）是诸多实际应用的关键任务，包括电力消费规划、金融预测和疾病传播分析。LTSF需要捕捉输入与输出之间的长程依赖关系，这在面临复杂时序动力学和高计算需求的情况下提出了重大挑战。虽然线性模型通过频域分解降低模型复杂度，但现有方法常假设平稳性并过滤掉可能包含关键短期波动的高频成分。本文介绍了MMFNet，这是一个新型模型，通过多尺度掩码频率分解方法来增强多变量长期预测。MMFNet通过在不同尺度上将时间序列转换为频率片段，同时采用可学习的掩码对不相关成分进行自适应过滤，从而捕捉细粒度、中等粒度和粗粒度时序模式。广泛的基准数据集实验表明，MMFNet不仅克服了现有方法的局限性，且在性能上始终表现出色。具体而言，MMFNet在均方误差（MSE）方面相较于针对多变量预测任务的SOTA模型实现了最高可达6.0%的降低。
引用
@article{arxiv.2410.02070,
title = {MMFNet: Multi-Scale Frequency Masking Neural Network for Multivariate Time Series Forecasting},
author = {Aitian Ma and Dongsheng Luo and Mo Sha},
journal= {arXiv preprint arXiv:2410.02070},
year = {2024}
}