频率自适应归一化用于非平稳时间序列预测

文章预览

Content 本文提出了一种新的实例归一化方法，称为频率自适应归一化（Frequency Adaptive Normalization, FAN），旨在处理非平稳时间序列预测中的非平稳性问题。FAN通过傅里叶变换识别输入实例中的主导频率成分，这些成分涵盖了大多数非平稳因素。此外，FAN显式地将输入和输出之间的频率成分差异建模为一个预测任务，通过一个简单的多层感知机（MLP）模型来实现。FAN是一种模型不可知的方法，可以应用于任意预测模型。在四个广泛使用的预测模型上实例化FAN，并在八个基准数据集上评估其预测性能的改进。FAN在平均均方误差（MSE）上实现了7.76%至37.90%的显著性能提升。 1. 引言 时间序列预测在多个领域中扮演着关键角色，如交通、金融和传染病等。深度学习方法因其在捕获变量之间复杂依赖关系方面的潜力而受到关注。然而，具有趋势和季节性的时间序 ………………………………