时间序列预测——周期性解藕框架(PDF)

PDF-周期性解藕框架

引用
主要创新点
实验结果
Baseline
待优化的点

引用

@article{dai2024period,

title={Periodicity Decoupling Framework for Long-term Series Forecasting},

author={Dai, Tao and Wu, Beiliang and Liu, Peiyuan and Li, Naiqi and Bao, Jigang and Jiang, Yong and Xia, Shu-Tao},

journal={International Conference on Learning Representations},

year={2024}}

Github：https://github.com/Hank0626/PDF

主要创新点

整体框架分为多周期分解模块(MDB,Multi-periodic Decoupling Block)、双重变化建模模块(DVMB,Dual Variations Modeling Block)以及变化聚合模块(VAB，Variations Aggregation Block)

周期长度

时间序列大多具有周期性，因而通过快速傅立叶变换对数据集进行预处理，得出一组最适合此数据集的周期长度。具体公式如下。
A = A v g ( A m p ( F F T ( x I ) ) ) A = Avg(Amp(FFT(x_I))) A=Avg(Amp(FFT(xI)))

具体操作过程

从A中选取u个和k1个幅值最大的频率值，代表主体部分
从u中除k1之外的元素中选择k2个频率最大的值，代表长期和短期变化之间的差异
F u = a r g t o p − m ( A ) F k 1 = a r g t o p − k 1 ( A ) f 1 , . . . f k = F k 1 ∪ t o p k 2 ( F u / F k 1 ) F_u = arg top-m(A) \\ F_k1 = arg top-k1(A) \\ {f_1,...f_k} = F_{k1} \cup top_{k2}(F_u / F_{k1}) Fu=argtop−m(A)Fk1=argtop−k1(A)f1,...fk=Fk1∪topk2(Fu/Fk1)

特征提取

提出一种双重变化建模模块(DVMB,Dual Variations Modeling Block)，用于对上述获取的周期长度，对不同周期分别进行短期变化和长期变化提取。其中短期变化主要通过卷积提取；长期变化主要通过Encoder提取。最终将所有周期提取的特征进行收集。

特征融合

将上述所有周期提取的特征通过拼接的方式进行融合，然后通过共享线性层进行投影，最终得到单变量预测值。

消融实验

代码中体现了拼接和均值两种方式，在作者论文中也通过消融实验进行体现。

实验结果

此实验总共从7个公开数据集对比了6个较新的模型。从实验结果可知，在长期时间序列预测取得卓越的效果。

Baseline

此模型主要是对PatchTST进行改进，通过快速傅立叶变换进行预处理得到周期长度，随后对输入序列进行多周期特征提取，最后进行特征融合。