【报告内容】

汇报人：姚梦钊

汇报单位：河海大学

主题：《Adaptive Temporal-Frequency Network for Time-Series Forecasting》

1、Introduction

2、Method

3、Experiments

4、Conclusions

【报告总结】

1、待解决问题描述

中长期预测的难点：长期依赖关系弱化、误差累积、非平稳性及周期性动态变化。传统方法（如ARIMA、RNN）在短期预测有效，但难以捕捉长期复杂模式。

现有模型局限：统计模型对非线性建模不足；纯时域模型（如S2S）难以处理滞后问题；频域方法（如DFT）无法直接用于预测。

2、相关创新方案

本文提出了一种新颖的端到端混合模型（称为ATFN），用于中长期时间序列预测。该模型通过融合深度学习网络与时间序列的频域模式，创新性地实现了以下关键设计：

1）增强型序列到序列模型（AugS2S）（时域模块）

通过结合神经网络与序列到序列架构（S2S），有效捕捉复杂非平稳时间序列的趋势特征。

S2S模块：基于GRU的编码器-解码器结构，建模序列时序依赖。

辅助神经网络：增强非线性映射能力，缓解传统S2S的长期预测滞后问题。

2）自适应频域编解码架构（频率模块）

频域编码器：通过离散傅里叶变换将滑动窗口内的时序数据分解为频域谱（幅度与相位）

自适应频域解码器：利用多层神经网络实现类离散傅里叶逆变换过程，包含三大创新机制： 

相位适应：残差网络动态补偿历史相位与预测区间的相位偏移

频率适应：可调谐基频参数捕捉周期特性演变

幅度适应：动态调整各频率分量强度

3、实验总结

合成数据为：sin(4.25t)+sin(8.5t)+5t

ATFN的RMSE（0.1853）显著优于ND（0.2445）和S2SAttn（0.9305），消融实验显示移除任一自适应机制均导致误差上升（如无PhaAd时MAPE达5.81%）。

标普500：ATFN在波动、上升、下降三种趋势中均表现最佳（平均MAPE 13.31%），ND因弱周期性表现差（MAPE 18.19%）。

停车场数据：ATFN的MAPE（40.65%）优于ND（43.70%）和mLSTM（46.57%），证明对强周期数据的适应性。

本文提出了一种用于中长期时间序列预测的新型端到端混合模型 ATFN。在 ATFN 的框架中，时域模块学习复杂非平稳时间序列的趋势特征，而频域模块捕获时间序列数据的动态和复杂周期模式。合成数据用于证明 ATFN 的不同成分的贡献。采用两种具有不同 特征的真实世界数据来评估所提出的模型的性能和适应性。实验结果表明，ATFN在三个指标（RMSE、MAE和MAPE）方面都取得了优于最新的深度学习模型的性能。ATFN 为长期时间序列预测提供了一种有前途的方法，但仍存在一些不足：

1）计算复杂度较高

频域编码（DFT）与多层自适应网络增加了计算开销，尤其对长序列（如T>1000）实时预测不友好。

2）对超参数敏感

滑动窗口长度T、频域分量保留数K等需人工调参，影响模型鲁棒性（如论文实验中T=75需针对不同数据集调整）。

3）突发事件的适应性有限

依赖历史频谱映射，对极端事件（如疫情导致的流量骤降）可能响应滞后。

4、未来工作

 降低计算开销过大的问题。

 报告时间：2025年03月07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)