中文题目：SFMixer：长期时间序列预测的频域局部周期特征和时域全局特征建模

论文题目：SFMixer: Local Periodic Features in Frequency Domain and Global Features in Time Domain Modeling for Long-Term Time Series Forecasting

录用期刊/会议：CAC2024 （CAA A类会议）

录用时间：2024.9.20

作者列表：

1) 吴芃鲯 中国石油大学（北京）人工智能学院 控制科学与工程 研22级

2) 刘建伟 中国石油大学（北京）人工智能学院 自动化系 教师

3) 韩佳艺 中国石油大学（北京）人工智能学院 控制科学与工程 博22级

摘要:

鉴于时间序列数据中复杂的特征交互关系，融合局部和全局特征对于实现高效的长期时间序列预测至关重要。虽然 CNN 擅长捕捉局部特征，但在使用简单或低复杂度模型架构时，往往难以有效提取时间序列中的全局特征。此外，现有关于利用频域信息（特别是局部周期性特征）来建模时间序列依赖性的研究仍然不足。为了解决这些问题，我们提出了 SFMixer 模型，该模型通过改进的 CNN 结构和 MLP 网络，在频域中建模并整合局部周期性变化（包括局部内部和跨局部周期变化），同时在时域中捕捉全局特征。SFMixer 在八个基准数据集上表现优于现有方法，并在多元与单变量预测实验中显著降低了 MSE 和 MAE。此外，SFMixer 展现了更强的时间信息捕捉能力和更高的训练效率。我们将公开模型及代码。

背景与动机:

长期时间序列预测 (LTSF) 在能源管理、交通调控和金融市场等领域至关重要。然而，现有模型在捕捉时间序列的局部和全局特征时面临挑战：CNN 模型虽擅长提取局部特征，但难以有效捕获全局依赖关系，而 Transformer 等模型复杂度较高且训练成本昂贵。此外，频域信息在捕捉局部周期性变化中的潜力尚未被充分挖掘。

主要内容:

本文提出了 SFMixer 模型，将时间域的全局特征与频域的局部周期性特征相结合。SFMixer 利用改进的 CNN 和 MLP 结构，通过快速傅里叶变换（FFT）提取局部频率变化，并设计了频谱扩展模块与局部周期性提取模块。实验表明，在八个基准数据集上的多元和单变量预测任务中，SFMixer 相较于现有模型显著降低了 MSE 和 MAE，并展示了更高的预测准确性和训练效率。这一研究为时间序列预测提供了新的思路和解决方案。

图1 SFMixer的总体框架

结论:

本研究介绍了一种名为 SFMixer 的创新模型，专为长期时间序列预测 (LTSF) 设计。SFMixer 采用 CNN 框架，通过频域分析捕捉并预测时间序列数据中的局部周期特征。此外，模型利用增强版 MLP 网络在时域中提取全局特征。实验结果表明，SFMixer 在预测准确性、时间信息提取和训练效率方面优于现有模型，并验证了引入频域信息的有效性。

作者简介:

刘建伟，教师，学者。发表学术研究论文280多篇。