如何处理多频段时序特征？这个Transformer变体显著提升预测效果

文章预览

来源：时序人 ‍‍ 本文 约2300字 ，建议阅读 9 分钟 研究者为了验证 Fredformer 模型的有效性，设计了一系列的实验。 Transformer 模型已在时间序列预测中展现了卓越的性能。然而，在一些复杂场景中，它倾向于学习数据中的低频特征，而忽略了高频特征，表现出一种频率偏差。这种偏差阻碍了模型准确捕捉重要的高频数据特征。 本文介绍一篇来自 KDD 2024 的论文，这是 首篇研究时间序列预测中频率偏差问题的文章 。其研究者通过实证分析来理解这种偏差，并发现频率偏差源于模型不成比例地关注具有更高能量的频率特征。基于分析，研究者提出了  Fredformer，这是一个基于 Transformer 的框架，旨在通过在不同频率带之间均衡地学习特征来减轻频率偏差 。这种方法防止了模型忽视对准确预测至关重要的低幅特征。广泛的实验表明了这种方法的有效性， ………………………………