TimeKAN：基于KAN的频率分解学习架构用于长期时间序列预测
机器学习
2025-02-27 v2 人工智能
摘要
现实中的时间序列常包含相互交织的多种频率分量，这使得准确的时间序列预测具有挑战性。将混合频率分量分解为多个单频率分量是一种自然选择。然而，不同频率分量的模式信息密度各异，采用统一的建模方法处理不同频率分量会导致表征不准确。为此，灵感来源于近期Kolmogorov-Arnold 网络（KAN）的灵活性，我们提出了一种基于KAN的频率分解学习架构（TimeKAN），以解决由多频率混合导致的复杂预测挑战。具体而言，TimeKAN主要由三个组件构成：级联频率分解（CFD）块、多阶KAN表征学习（M-KAN）块和频率混合块。CFD块采用自下而上的级联方法获取每个频率带的序列表征。凭借KAN的高灵活性，我们设计了一种新型M-KAN块，用于学习和表示每个频率带内的特定时序模式。最后，使用频率混合块将频率带重新组合成原始格式。广泛的实验结果表明，TimeKAN在多个真实世界时间序列数据集上实现了作为极轻量级架构的领先性能。代码已公开于 https://github.com/huangst21/TimeKAN。
引用
@article{arxiv.2502.06910,
title = {TimeKAN: KAN-based Frequency Decomposition Learning Architecture for Long-term Time Series Forecasting},
author = {Songtao Huang and Zhen Zhao and Can Li and Lei Bai},
journal= {arXiv preprint arXiv:2502.06910},
year = {2025}
}