TFKAN：用于长期时间序列预测的时频 KAN
机器学习
2025-06-17 v1
摘要
Kolmogorov-Arnold 网络 (KANs) 由于能够高效表示非线性关系并表现出局部可塑性，在长期时间序列预测中极为有效。然而，此前对 KAN 的研究主要集中于时间域，忽视了频域的潜力。时间序列数据的频域揭示了重复模式和周期性行为，这些补充了时间域中捕获的时间信息。为了填补这一空白，我们探索了 KAN 在频域中用于长期时间序列预测的应用。通过利用 KAN 的自适应激活函数及其在频域中对信号的全面表示能力，我们可以更有效地学习全局依赖和周期模式。为了整合来自时间域和频域的信息，我们提出了时频 KAN (TFKAN)。TFKAN 采用双分支架构，分别独立处理各域的特征，确保每个域的独特特性得到充分利用而不相互干扰。此外，为了考虑域之间的异质性，我们引入了一种维度调整策略，仅在频域中选择性地进行上采样，在提高效率的同时捕获更丰富的频域信息。实验结果表明，TFKAN 在多个数据集上持续优于最先进的 (SOTA) 方法。代码可在 https://github.com/LcWave/TFKAN 获取。
引用
@article{arxiv.2506.12696,
title = {TFKAN: Time-Frequency KAN for Long-Term Time Series Forecasting},
author = {Xiaoyan Kui and Canwei Liu and Qinsong Li and Zhipeng Hu and Yangyang Shi and Weixin Si and Beiji Zou},
journal= {arXiv preprint arXiv:2506.12696},
year = {2025}
}
备注
11 pages,5 figures