A Data-Driven Scale-Adaptive Time-Frequency Convolutional Network for Long Sequence Time-Series Forecasting

doi:10.1109/TKDE.2025.3619521

A Data-Driven Scale-Adaptive Time-Frequency Convolutional Network for Long Sequence Time-Series Forecasting

2025-10-09

0

PRE

AI

DOI：10.1109/TKDE.2025.3619521

原文链接

原文求助

摘要

En 中文

基于Transformer变体的模型在长序列时间序列预测中持续展现出领先性能。然而，在部分复杂应用场景中，Transformer倾向于捕捉数据中的低频信息而忽略高频信息，后者常包含丰富的非平稳特征。这种不平衡的特征提取方法限制了模型有效处理真实世界时间序列数据的能力。为解决此问题，我们明确表征低频和高频信息，并提出一种名为STCNet的模型，这是一种数据驱动的尺度自适应卷积网络，旨在通过跨不同频带平衡学习特征，从数据中提取多样化的特征和模式。具体而言，我们提出了一种基于熵的自适应小波基选择算法，该算法可根据数据分布自适应选择合适的小波基，以实现复杂时间序列的有效多频分解。此外，我们设计了一种层次化尺度自适应因子，通过精细的分层权重调整，允许根据不同时间尺度动态调整特征权重，显著增强了模型处理非平稳时间序列特征的能力。为进一步优化模型的输出特征，我们引入了测试时训练机制，并结合快速权重更新策略与权重共享策略以减少模型参数数量，有效缓解过拟合风险。在九个数据集上的实验结果表明，STCNet在有效性和效率方面均优于当前的最优模型。

Keyword:

Long sequence time series forecasting

non-stationary

frequency

entropy-based

scale-adaptive

A Data-Driven Scale-Adaptive Time-Frequency Convolutional Network for Long Sequence Time-Series Forecasting

摘要

期刊

机构

引用论文