Generative Self-Supervised Time-Series Forecasting Leveraging Wavelet Diffusion

Jiacheng Li

doi:10.1109/TIM.2025.3619658

Generative Self-Supervised Time-Series Forecasting Leveraging Wavelet Diffusion

2025-01-01

0

PRE

AI

DOI：10.1109/TIM.2025.3619658

原文链接

原文求助

摘要

En 中文

测量数据通常表现出多尺度周期性和非线性噪声，这对现代仪器与控制系统中的准确长期预测构成了重大挑战。尽管基于Transformer的自注意力机制为长期时间序列预测（LTSF）带来了显著进展，但现有各种方法忽视了现实测量信号中固有的多频结构及复杂噪声模式。为应对这些挑战，我们提出TimeWaveDiff，一种结合小波分解和扩散模型的生成式自监督框架，用于时间序列仪器信号预测。具体而言，通过对分块的多变量测量数据应用小波变换，实现了既能保留全局趋势又能捕捉局部波动的精细多尺度频率分解。随后，扩散过程逐步添加和移除噪声，从而能够鲁棒学习传感器驱动测量中常见的非线性动态和复杂噪声分布。此外，TimeWaveDiff采用增强季节-趋势分解的轻量级前馈网络，取代了沉重的编码器-解码器设计，在显著降低计算成本的同时维持了预测精度。在公开数据集上的大量实验表明，TimeWaveDiff在长期预测中实现了更优的均方误差（MSE）和平均绝对误差（MAE）表现。消融研究、效率分析和可视化结果进一步证实了小波分解与扩散模型之间的互补协同作用，并展示了所提方法的可解释性。总体而言，TimeWaveDiff为预测复杂动态时间序列提供了稳健高效的解决方案，并为未来自监督学习领域的研究提供了宝贵见解。

Keyword:

Computational modeling

diffusion process

multiscale frequency analysis

time-series forecasting

Generative Self-Supervised Time-Series Forecasting Leveraging Wavelet Diffusion

摘要

期刊

机构

引用论文