[论文分享]ICLR 2025 FREDF：在频域中学会预测
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
论文题目：FREDF:LEARNINGTOFORECASTINTHEFREQUENCYDOMAIN
论文地址：https ://arxiv. org/pdf/2402. 02399
代码：https ://github. com/Master-PLC/FreDF
FreDF通过将预测任务从时间域转换到频率域，有效地绕开了标签序列自相关性带来的复杂性。
FreDF是首次尝试将频率分析用于改进预测范式本身，特别是针对标签序列的自相关性问题。
FreDF通过在频率域中进行预测，提供了一种通用的解决方案，能够显著提升多种现有模型的性能，而无需对模型架构进行重大修改。这种通用性使得FreDF具有广泛的应用前景。
本文提出了一种名为Frequency-enhancedDirectForecast(FreDF)的新方法，旨在解决现有直接预测（DirectForecast,DF）范式中忽略标签序列自相关性的问题。FreDF通过将预测任务从时间域转移到频率域，利用傅里叶变换将时间序列数据转换为频率域表示，从而有效减少自相关性的影响。在频率域中，数据的表示基于正交基，不同频率成分之间的依赖性显著降低，这使得模型能够更好地对齐预测值和真实值的频率成分。FreDF引入了一个频率域损失函数，通过最小化预测值和真实值在频率域中的差异来优化模型性能。
本图展示了时间序列预测中标签序列的自相关性。图(a)描述了时间序列数据的生成过程，其中箭头表示时间步之间的依赖关系。图(b)使用双重机器学习（DML）方法量化了自相关性，矩阵中的每个元素表示从Yi到Yj的因果强度。图中对角线元素值为1，表示自相关性；非对角线元素的显著值表明不同时间步之间存在依赖关系，验证了标签序列的自相关性。
本图展示了频率域中频率成分之间的依赖性。图(a)和(b)分别展示了频率成分之间依赖性的实部和虚部。通过DML方法量化，发现频率成分之间的依赖性显著低于时间域中的自相关性，表明频率域能够有效降低自相关性的影响。
本图该图详细展示了FreDF方法的工作流程。首先，输入历史序列L(n)，模型生成多步预测ˆY(n)。然后，计算时间域中的预测误差L(tmp)，并将预测值和标签序列转换到频率域，计算频率域中的预测误差L(feq)。最后，将时间域和频率域的误差融合，形成最终的损失函数Lα。
本表提供了长期预测任务中不同模型的性能对比，展示了FreDF在多个数据集上的显著优势。表中列出了FreDF与其他先进模型（如iTransformer、FreTS、TimesNet等）在ETTm1、ETTm2、ETTh1、ETTh2、ECL、Traffic和Weather等数据集上的平均MSE（均方误差）和MAE（平均绝对误差）。FreDF在多数情况下取得了最低的预测误差，表明其在处理长期预测任务时的有效性和优越性。例如，在ETTm1数据集上，FreDF的MSE为0. 392，MAE为0. 399，相较于iTransformer的0. 415和0.416，FreDF的性能提升明显。这不仅证明了FreDF在减少预测误差方面的有效性，也突显了其在不同数据集和预测长度下的广泛适用性。
–END–
最后对时间序列创新感兴趣的可公众号后台私信‘加群’或者扫描下方👇二维码进入时间序列交流群！
关注“学姐带你玩AI”公众号，回复“时序25创新”
领取50篇时间序列最新论文+开源代码
往期推荐:
融合LSTM与Transformer做时间序列预测，发高分轻轻松松！
ICLR’25高分！多尺度时间序列全面升级！超越Transformer，8项任务全面领先
2025时间序列都有哪些创新点可做——总结篇
创新耐打！时间序列+聚类这么做，顶会稳了！
突破LSTM，使用贝叶斯优化时间序列预测！这创新点Nature子刊稳了
ACCEPT
据说点赞的都Accept了！
