面向多元时间序列预测的平稳性探索
机器学习
2025-08-13 v1
摘要
基于深度学习的时间序列预测已得到广泛应用。近来，将时间序列数据转换到频域进行预测因能准确探索周期模式而变得流行。然而，现有方法通常无法有效地从复杂交织的频率分量中探索平稳信息。在本文中，我们提出了一种简单而有效的幅相重建网络（APRNet），该网络对幅度和相位的相互关系进行建模，防止幅度和相位受到不同物理量的约束，从而解耦信号的不同特性以捕捉平稳信息。具体来说，我们沿序列和通道维度表示多变量时间序列输入，突出显示了多个交互频率上幅度和相位之间的相关性。我们提出了一种新颖的基于柯尔莫哥洛夫-阿诺德网络的局部相关性（KLC）模块，利用单变量函数自适应地拟合局部函数，从而能够更灵活地表征不同幅度和相位下的平稳特征。这显著增强了模型捕捉时变模式的能力。大量实验证明了我们的APRNet相对于当前最优方法（SOTAs）的优越性。
引用
@article{arxiv.2508.08919,
title = {Stationarity Exploration for Multivariate Time Series Forecasting},
author = {Hao Liu and Chun Yang and Zhang xiaoxing and Rui Ma and Xiaobin Zhu},
journal= {arXiv preprint arXiv:2508.08919},
year = {2025}
}