主导频率增强对比学习在超长时间序列预测中的创新应用（DFCon）

本文提出DFCon框架，通过主导频率增强（Dominant Frequency Enhancement）和对比学习策略解决超长时间序列预测（ULTSF）中的概念漂移和长程依赖难题。该模型结合扩张卷积与多层感知机（MLP），引入双对比损失（Temporal DFCon与Autocorrelated DFCon），显著提升全局时序模式建模能力，在能源、交通等多领域数据集上表现优异（性能提升4.35%），为长周期预测任务提供新范式。

　　

Highlight

本研究提出DFCon（主导频率增强对比学习框架），针对超长时间序列预测（ULTSF）中的概念漂移和长程依赖挑战，通过融合频率域分析与对比学习策略，显著提升模型对全局时序模式的捕捉能力。

Temporal DFCon

基于主导频率的对比学习增强时序特征鲁棒性：为从输入窗口中提取更鲁棒的时序特征，我们提出主导频率对比学习方法。通过使主干编码器的表示向量逼近原始序列的主导频率特征，有效增强模型对全局时序模式的理解，减少特征提取阶段的噪声干扰，提升超长预测的可靠性。

Autocorrelated DFCon

跨窗口自相关主导频率对比学习应对概念漂移：为解决ULTSF中的概念漂移问题，我们提出一种新颖的自相关跨窗口对比学习方法。该方法利用输入序列主导频率分量的自相关值构建正负样本，避免引入噪声数据，提升对潜在相关特征表示的学习能力。

Conclusion

本文通过DFCon框架验证了对比学习在ULTSF中的有效性，性能提升达4.35%。基于主导频率滤波器的Temporal DFCon与Autocorrelated DFCon组件协同作用，显著提升模型对长周期模式的泛化能力与抗概念漂移能力，为超长时序预测提供了创新解决方案。