中文題目：SFMixer：長期時間序列預測的頻域局部周期特征和時域全局特征建模

論文題目：SFMixer: Local Periodic Features in Frequency Domain and Global Features in Time Domain Modeling for Long-Term Time Series Forecasting

錄用期刊/會議：CAC2024 （CAA A類會議）

錄用時間：2024.9.20

作者列表：

1) 吳芃鲯 中國石油大學（北京）人工智能學院 控制科學與工程 研22級

2) 劉建偉 中國石油大學（北京）人工智能學院 自動化系 教師

3) 韓佳藝 中國石油大學（北京）人工智能學院 控制科學與工程 博22級

摘要:

鑒于時間序列數據中復雜的特征交互關系，融合局部和全局特征對于實現高效的長期時間序列預測至關重要。雖然 CNN 擅長捕捉局部特征，但在使用簡單或低復雜度模型架構時，往往難以有效提取時間序列中的全局特征。此外，現有關于利用頻域信息（特別是局部周期性特征）來建模時間序列依賴性的研究仍然不足。為了解決這些問題，我們提出了 SFMixer 模型，該模型通過改進的 CNN 結構和 MLP 網絡，在頻域中建模并整合局部周期性變化（包括局部內部和跨局部周期變化），同時在時域中捕捉全局特征。SFMixer 在八個基準數據集上表現優于現有方法，并在多元與單變量預測實驗中顯著降低了 MSE 和 MAE。此外，SFMixer 展現了更強的時間信息捕捉能力和更高的訓練效率。我們將公開模型及代碼。

背景與動機:

長期時間序列預測 (LTSF) 在能源管理、交通調控和金融市場等領域至關重要。然而，現有模型在捕捉時間序列的局部和全局特征時面臨挑戰：CNN 模型雖擅長提取局部特征，但難以有效捕獲全局依賴關系，而 Transformer 等模型復雜度較高且訓練成本昂貴。此外，頻域信息在捕捉局部周期性變化中的潛力尚未被充分挖掘。

主要內容:

本文提出了 SFMixer 模型，將時間域的全局特征與頻域的局部周期性特征相結合。SFMixer 利用改進的 CNN 和 MLP 結構，通過快速傅里葉變換（FFT）提取局部頻率變化，并設計了頻譜擴展模塊與局部周期性提取模塊。實驗表明，在八個基準數據集上的多元和單變量預測任務中，SFMixer 相較于現有模型顯著降低了 MSE 和 MAE，并展示了更高的預測準確性和訓練效率。這一研究為時間序列預測提供了新的思路和解決方案。

圖1 SFMixer的總體框架

結論:

本研究介紹了一種名為 SFMixer 的創新模型，專為長期時間序列預測 (LTSF) 設計。SFMixer 采用 CNN 框架，通過頻域分析捕捉并預測時間序列數據中的局部周期特征。此外，模型利用增強版 MLP 網絡在時域中提取全局特征。實驗結果表明，SFMixer 在預測準確性、時間信息提取和訓練效率方面優于現有模型，并驗證了引入頻域信息的有效性。

作者簡介:

劉建偉，教師，學者。發表學術研究論文280多篇。