基于傅里叶神经滤波器的多变量长期时间序列预测
机器学习
2025-09-15 v2
摘要
多变量长期时间序列预测正面临捕捉变量内部时序依赖关系以及跨变量空间相关性的双重挑战。当前方法主要借用自然语言处理或计算机视觉中的骨干网络 (如 Transformer)，未能充分解决时间序列独特特性 (如周期性) 的问题。研究社区缺乏具备时序特定归纳偏置的专用骨干网络，仍依赖领域中性骨干网络辅以辅助技术 (如信号分解)。我们引入 FNF 作为骨干网络，DBD 作为架构，以提供卓越的学习能力和最优的学习路径，用于时空建模。我们的理论分析证明 FNF 在单一骨干网络中统一了时域局部与频域全局信息处理，并能自然扩展至空间建模；而信息瓶颈理论表明 DBD 在梯度流和表示能力方面优于现有统一或顺序架构。我们的实证评估覆盖 11 个公开基准数据集，涵盖能源、气象、交通、环境和自然等五大领域，确认实现 SOTA 性能，同时保持一致的超参数设置。值得注意的是，我们的方法无需任何辅助技术，即可取得这些结果，表明精心设计的神经网络架构能够捕捉时间序列的内在特性，或许能变革科学和工业领域的时间序列建模方式。
引用
@article{arxiv.2506.09174,
title = {Multivariate Long-term Time Series Forecasting with Fourier Neural Filter},
author = {Chenheng Xu and Dan Wu and Yixin Zhu and Ying Nian Wu},
journal= {arXiv preprint arXiv:2506.09174},
year = {2025}
}