时间序列自监督学习：FITS综述与批判

准确的时间序列预测是一项极其稀缺的任务，跨越多个行业。尽管近期深度学习取得了进展，模型复杂度和规模不断增加，但许多领先模型往往表现不佳或仅与更简单模型持平。FITS模型就是一种典型例子，该模型声称以显著降低的参数数量即可实现竞争性能。通过在复数频域训练单层神经网络，我们能够复制这些结果。我们在广泛的真实数据集上进行实验，进一步揭示FITS在捕捉周期性和季节性模式方面尤为出色，但在处理趋势、非周期性或随机样行为势方面则表现不足。通过我们两种新颖的混合方法，即将其与DLinear结合以弥补FITS弱点的缺陷，我们在多变量回归和多个/线性回归任务上实现了任何已知开源模型的最佳结果，并在价格数据集上取得有前景的成果，极大地提升了FITS作为独立模型所能实现的性能。