WFTNet：在长期时间序列预测中利用全局与局部周期性
机器学习
2024-01-05 v2
摘要
近期基于 CNN 与 Transformer 的模型试图利用频率与周期性信息进行长期时间序列预测。然而，大多数现有工作基于傅里叶变换，无法捕捉细粒度与局部频率结构。本文中，我们提出一种用于长期时间序列预测的 wavelet-Fourier 变换网络（WFTNet）。WFTNet 同时利用傅里叶变换与小波变换从信号中提取全面的时间-频率信息，其中傅里叶变换捕捉全局周期模式，小波变换捕捉局部周期模式。此外，我们引入周期性加权系数（PWC）以自适应地平衡全局与局部频率模式的重要性。在多个时间序列数据集上的大量实验表明，WFTNet 持续优于其他最先进的基线。代码见 https://github.com/Hank0626/WFTNet。
引用
@article{arxiv.2309.11319,
title = {WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series Forecasting},
author = {Peiyuan Liu and Beiliang Wu and Naiqi Li and Tao Dai and Fengmao Lei and Jigang Bao and Yong Jiang and Shu-Tao Xia},
journal= {arXiv preprint arXiv:2309.11319},
year = {2024}
}
备注
Accepted to ICASSP 2024