TIFO：面向时间序列的时不变频率算子
机器学习
2026-02-20 v1 人工智能
摘要
非平稳时间序列预测因训练数据和测试数据的分布差异而遭受分布迁移问题。现有方法试图通过例如移除每个 individual 样本的低阶矩来缓解这种依赖，但这些解决方案无法捕捉跨样本的时间演化结构，也未能建模复杂的时间结构。本文旨在通过考虑所有可能的时间结构，针对频率空间中的分布迁移问题进行建模。为此，我们提出一种Time-Invariant Frequency Operator(TIFO)，其学习整个数据集上频谱的时不变权重表示。权重表示突出显示平稳频率分量，同时抑制非平稳分量，从而缓解时间序列中的分布迁移问题。为验证我们的方法，我们表明时间序列数据的傅里叶变换在频率空间中隐式诱导特征分解。TIFO是一种即插即用的方法，可无缝集成到各种预测模型中。实验表明，我们的方法在28个预测设置中取得了18个第一名和6个第二名成绩。尤其值得注意的是，在ETTm2数据集上平均MSE提高了33.3%和55.3%。此外，TIFO较基线方法在计算成本上降低了60%-70%，在不同预测模型间展现出强大的可扩展性。
引用
@article{arxiv.2602.17122,
title = {TIFO: Time-Invariant Frequency Operator for Stationarity-Aware Representation Learning in Time Series},
author = {Xihao Piao and Zheng Chen and Lingwei Zhu and Yushun Dong and Yasuko Matsubara and Yasushi Sakurai},
journal= {arXiv preprint arXiv:2602.17122},
year = {2026}
}