PAMod：基于相位-幅度调制建模非平稳时间序列中的周期性偏移
机器学习
2026-05-04 v1 人工智能
摘要
现实世界的时间序列预测面临非平稳统计特性的根本挑战，包括随时间变化的均值和方差。虽然可逆实例归一化(RevIN)通过对输入进行平稳化并对输出进行反归一化来证明其前景，但它依赖于历史分布与未来分布完全相同的强假设。我们观察到在许多实际应用中，分布偏移遵循与周期位置(如季节性和假日波动性)相关的循环模式。为此，我们提出了PAMod框架，通过在归一化特征空间中的相位-幅度调制来建模周期性分布偏移。PAMod学习周期性嵌入来调制表示：相位调制捕捉均值偏移，而幅度调制适应方差变化。关键的是，我们数学证明了在归一化空间中调制等价于应用动态反归一化，为分布适应与表示学习提供了优雅的统一。广泛的十二个真实世界基准实验表明，PAMod以更少的计算资源实现了最先进的性能。此外，作为一种新型即插即用技术，我们的调制机制可以轻松集成到现有时间序列预测方法中以提升性能。
引用
@article{arxiv.2605.00466,
title = {PAMod: Modeling Cyclical Shifts via Phase-Amplitude Modulation for Non-stationary Time Series Forecasting},
author = {Yingbo Zhou and Yutong Ye and Shuhao Li and Rui Qian and Qiang Huang and Lemao Liu and Li Sun and Dejing Dou},
journal= {arXiv preprint arXiv:2605.00466},
year = {2026}
}