Times2D：通用时间序列预测的多周期分解与导数映射
机器学习
2025-04-02 v1 人工智能
摘要
时间序列预测是能源管理、交通规划、金融市场、气象学和医学等领域的重要应用。然而，实时序列数据常呈现复杂的时间变量性和尖锐波动，这对时间序列预测构成重大挑战。依赖1维时间序列表示的先前模型在处理复杂的时间变化方面困难重重。为解决1维时间序列的局限性，本研究引入Times2D方法，将1维时间序列转化为2维空间。Times2D包含三个主要组成部分：首先，周期分解模块（PDB）通过将时间序列转化为频率域中的2维张量来捕捉单个周期内的时间变量以及同一周期之间的变量；其次，一阶和二阶导数热图（FSDH）分别捕捉尖锐变化和拐点；最后，聚合预测模块（AFB）整合PDB和FSDH的输出张量以实现精准预测。这种2维转换使我们能够有效捕捉时间序列的长期和短期特征。广泛的实验结果表明，所提出的Times2D模型在短期和长期预测中实现了状态-of-the-art性能。代码已在本存储库中提供：https://github.com/Tims2D/Times2D。
引用
@article{arxiv.2504.00118,
title = {Times2D: Multi-Period Decomposition and Derivative Mapping for General Time Series Forecasting},
author = {Reza Nematirad and Anil Pahwa and Balasubramaniam Natarajan},
journal= {arXiv preprint arXiv:2504.00118},
year = {2025}
}
备注
Accepted at the AAAI 2025 Conference on Artificial Intelligence