TimeAPN: 时间序列预测的自适应振幅-相位非平稳归一化
机器学习
2026-03-19 v1 人工智能
摘要
非平稳性是多变量长期时间序列预测中的基本挑战，通常表现为振幅和相位的快速变化。这些变化导致严重的分布偏移，从而降低预测性能。现有的基于归一化的方法主要依赖一阶和二阶统计量，隐含地假设分布平滑演化，忽略了细粒度的时间动力学。为了解决这些限制，我们提出了 TimeAPN，一个自适应振幅-相位非平稳归一化框架，明确地从时域和频域建模并预测非平稳因子。具体而言，TimeAPN 首先联合在时域和频域中对均值序列进行建模，然后预测其在未来时间范围内的演化。同时，相位信息在频域中提取，预测序列与真实未来序列之间的相位差异被显式建模以捕捉时间错位。此外，TimeAPN 将振幅信息纳入自适应归一化机制，使模型能够有效应对信号能量的突变。预测的非平稳因子随后通过协同去归一化过程与骨干预测输出集成，以重构最终的非平稳时间序列。所提出的框架是模型无关的，可以无缝集成各种预测骨干网络。在七个真实多变量数据集上的广泛实验表明，TimeAPN 在多个预测时间范围内持续提高长期预测准确性，并优于最先进的 可逆归一化方法。
引用
@article{arxiv.2603.17436,
title = {TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting},
author = {Yue Hu and Jialiang Tang and Siwei Yu and Baosheng Yu and Jing Zhang and Dacheng Tao},
journal= {arXiv preprint arXiv:2603.17436},
year = {2026}
}