先见之明：基于频域和通道间全局视界变换器的频率与顺序感知表示方法

《IEEE Access》：FORESIGHT: Frequency and Order-aware REpresentation with Spectral-domain and Inter-channel Global Horizon Transformer

　　

摘要：

由于长期依赖性、周期性结构以及复杂的变量间相互作用的存在，多变量时间序列的预测仍然具有挑战性。现有方法通常侧重于频率感知或顺序感知的表示方式，而没有充分利用它们之间的互补作用。为了解决这个问题，我们提出了FORESIGHT（一种结合频域和通道间全局视野变换器的频率与顺序感知表示方法），该框架通过协调的表示学习来模拟季节性和趋势成分。该模型采用指数顺序感知自适应（EOA）分解来分离输入信号，随后通过频谱通道编码模块（SCTEM）捕获周期性模式和变量间依赖性，并通过顺序感知模块（ORM）来模拟趋势成分中的时间演变。一种自适应融合机制以端到端的方式整合了这两个流。在五个基准数据集（天气、汇率、交通、ETTh1和ETTm2）上进行的广泛实验表明，与强大的基线方法相比，FORESIGHT在多个预测时域内均表现出具有竞争力的性能和一致性。与FAITH相比，FORESIGHT在平均绝对误差（MAE）上提高了3.092%，在均方根误差（RMSE）上提高了2.463%，同时在严格的显著性阈值下保持了统计上的平等性。这些结果表明，结合频率和顺序感知的表示方法能够实现更稳定和稳健的长期预测。