TFDNet：面向长期时间序列预测的时频增强分解网络
机器学习
2023-08-28 v1 人工智能
摘要
长期时间序列预测是一项重要任务，具有广泛的实际应用。现有近期方法侧重于从单一域（如时域或频域）捕捉潜在模式，尚未以整体视角从时频域处理长期时间序列。本文提出一种时频增强分解网络（TFDNet），以从时频域同时捕捉长期潜在模式与时间周期性。在 TFDNet 中，我们设计了一个多尺度时频增强编码器主干，并开发了两个独立的趋势与季节时频模块，以在多分辨率下捕捉分解后趋势与季节分量中的不同模式。通过研究并纳入多元时间序列潜在的通道间相关模式差异，探索了时频模块中核运算的多种核学习策略。在来自五个基准领域的八个数据集上的实验评估表明，TFDNet 在有效性与效率上均优于最先进（SOTA）方法。
引用
@article{arxiv.2308.13386,
title = {TFDNet: Time-Frequency Enhanced Decomposed Network for Long-term Time Series Forecasting},
author = {Yuxiao Luo and Ziyu Lyu and Xingyu Huang},
journal= {arXiv preprint arXiv:2308.13386},
year = {2023}
}