ReFocus：强化多元时间序列预测中的中频与关键频率建模
机器学习
2025-03-04 v2 人工智能
摘要
最近的进展逐步将基于频率的技术融入深度学习模型，从而在时间序列分析任务的准确性和效率上取得了显著提升。然而，现实世界时间序列中存在中频频谱间隙，即能量集中在低频区域而中频频带可忽略不计，这阻碍了现有深度学习模型提取关键频率信息的能力。此外，多元时间序列中存在共享的关键频率，即不同时间序列共享难以区分的频率模式，但现有文献鲜有对此加以利用。本工作引入了一个基于卷积和残差学习的新颖模块——自适应中频能量优化器，以强调中频频带的重要性。我们还提出了一个基于能量的关键频率提取块来捕获共享的关键频率，该模块以更少的参数实现了卓越的序列间建模性能。我们采用了一种新颖的关键频率增强训练策略以进一步增强关键频率建模，其中来自其他通道的频谱信息被随机引入到每个通道中。我们的方法在具有挑战性的 Traffic、ECL 和 Solar 基准上提升了多元时间序列预测性能，与之前的 SOTA iTransformer 相比，MSE 分别降低了 4%、6% 和 5%。代码可在该 GitHub 仓库获取：https://github.com/Levi-Ackman/ReFocus。
引用
@article{arxiv.2502.16890,
title = {ReFocus: Reinforcing Mid-Frequency and Key-Frequency Modeling for Multivariate Time Series Forecasting},
author = {Guoqi Yu and Yaoming Li and Juncheng Wang and Xiaoyu Guo and Angelica I. Aviles-Rivero and Tong Yang and Shujun Wang},
journal= {arXiv preprint arXiv:2502.16890},
year = {2025}
}
备注
Under Review