基于频率-小波自适应基网络的长期时间序列预测方法研究

本文推荐一种创新性时序预测框架FWBNet（Frequency-Wavelet Adaptive Basis Network），通过多尺度自适应基模块（MS-ABM）、双流小波交叉注意力（DWCA）和频域MLP瓶颈（FreMLP）三大核心技术，突破传统Transformer固定尺度特征提取限制。实验显示其在多元/单元预测中MSE降低14%/21%，为能源管理、医疗监测等领域的非平稳时序分析提供动态时频解析方案。

　　

Highlight

FWBNet通过三大创新模块重塑长期时序预测范式：

• 多尺度自适应基模块（MS-ABM）

突破传统固定尺度限制，采用自适应基函数选择机制动态融合不同分辨率特征，形成层级表征。如同"智能显微镜"自动调节观测尺度，精准捕捉电力负荷波动等非平稳信号中的短时突变与长期趋势。

• 双流小波交叉注意力（DWCA）

将可学习小波变换与双向注意力结合，构建跨尺度依赖建模框架。其创新点在于像"分子探针"般动态定位时频特征，显著提升对COVID-19疫情曲线等复杂序列的层次结构解析能力。

• 频域MLP瓶颈（FreMLP）

通过谱稀疏化技术实现特征优选，形成端到端学习管道。该模块如同"基因编辑剪刀"，精准剪除频域冗余信息，在ETT温度预测等任务中实现14-21%的误差降低。

Conclusions

FWBNet通过动态时频分析攻克了非平稳信号处理与多尺度建模双重挑战：DWCA模块的可学习小波变换能同步捕捉局部频域特征（如ECG信号特征波）与全局序列模式；MS-ABM的弹性基函数选择机制在PEMS交通流量预测中展现出超越固定尺度方法的适应性；FreMLP瓶颈则通过"频域特征蒸馏"显著提升计算效率。该框架为医疗监测设备、智能电网等场景的复杂时序分析提供了新范式。