一文汇总：时序预测中的多频率建模方法

主要观点总结

本文汇总了单变量时间序列预测中的多频率建模核心思路。文章介绍了多频率建模的核心方法，包括两种常见的模型输入形式及其优化方式。此外，文章还介绍了几种代表性工作和方法，如Patch Transformer引入多频率、Average Pooling引入多频率、不同网络层引入不同频率以及动态多频率Patch等技术。本文旨在帮助读者理解并应用多频率建模在单变量时间序列预测中的实际应用。

关键观点总结

关键观点1: 多频率建模是时间序列分析中的重要技术

时间序列的频率包含重要信息，通过多频率建模可以提取不同粒度的时间序列数据，从而更全面地理解时间序列的特征。

关键观点2: 常见的多频率建模方法包括Patch Transformer和Average Pooling等

这些方法通过将时间序列划分为不同粒度的数据，实现在模型中引入多频率信息，提高模型的预测性能。

关键观点3: 不同网络层可以引入不同频率的信息

在网络的不同层中引入不同粒度的数据，可以让每层网络专注于提取一个粒度的信息，从而提高模型的效率和准确性。

关键观点4: 动态多频率Patch是一种自适应的多尺度建模方法

该方法能够自动识别时间序列的关键周期信息，并根据这些周期信息对时间序列进行自适应的patch分割，从而实现更精确的多频率建模。

文章预览

来源：圆圆的算法笔记 ‍ ‍ ‍ ‍ ‍ ‍ ‍ ‍ ‍ ‍ ‍ 本文 约2200字 ，建议阅读 5 分钟 本文 给大家汇总一下单变量时间序列预测中，实现多频率建模的核心思路。 频率是时间序列的一个重要信息。给定一个时间序列，可以通过按照不同频率的聚合，获得不同粒度的时间序列。比如，给定的原始时间序列是以小时为粒度的，那么通过将24个点加和成1个点，就可以形成以天为粒度的时间序列数据。不同的粒度，包含的信息也不同。粒度越细，越能体现时间序列的局部特征，同时噪声也更大；粒度越粗，序列更加平滑，反应了时间序列的全局特性，噪声较少，但是也损失了很多信息。 由于粒度的粗粒，所有含的信息不同，因此业内针对这个现象，提出了一系列的多频率建模方法，将不同频率的聚合序列同时引入到模型中，实现信息的互补。这篇文章 ………………………………