【报告内容】

汇报人：姚陈成

汇报单位：河海大学

主题：Towards Non-Stationary Time Series Forecasting with Temporal Stabilization and Frequency Differencing

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1. 待解决的问题描述

挑战一：如何提取和分离异质非平稳模式

时间序列固有地包含平稳和非平稳成分。直接对原始序列建模长期依赖会被非平稳动态严重干扰。虽然可以显式建模平稳成分并隔离非平稳效应，但非平稳模式高度复杂且异质，单一架构无法全面建模这些模式。

挑战二：如何动态建模频率漂移

现有频率分析方法（如 FFT）假设观测窗口内的平稳性，产生全局频率表示，无法捕捉瞬态频率偏移和局部模式。例如在电力负荷预测中，日周期和季节周期会因用户行为和环境因素持续变化。

2. 相关创新方案

本文提出了一种新颖的模型DTAF，它有效地解决了时间序列预测中时域和频域的非平稳性问题。具体而言，本文提出的时间稳定融合（TFS）模块通过一个非平稳MOE滤波器得到增强，该滤波器自动去除时域中的非平稳模式，并有助于捕获长期依赖关系。同时，频率波建模（FWM）模块执行频域差分以处理频谱空间中的非平稳性，使模型能够更好 地理解周期性趋势和突然变化。基于这些，DTAF在各种场景中实现了更稳健和准确的预测。

3. 实验总结

它在两个评估标上始终超过现有的基线模型。1）相对于基线的显著改进：在16个评估指标中，DTAF在15个案例中排名第一。与旨在通过输入变换处理非平稳性的 Stationary相比，DTAF在诸如Covid-19（MSE降低 49.0%，MAE降低50.0%）和NN5（MSE降低50.4%， MAE降低41.2%）等非平稳数据集上表现出色，证明了DTAF在对非平稳数据建模方面的有效性。2）稳健 的预测能力：与Cross-former、PatchTST、 TimeMixer等其他模型以及其他先进方法相比， DTAF不仅实现了显著的准确率提升，而且在不同的 时间序列数据集上保持了稳定的性能，展示了对不同数据分布和时间模式的强大适应性。

报告时间：2026年06月26日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)