WFTNet: Nutzung globaler und lokaler Periodizität in der Langzeit-Zeitreihenprognose

Jüngste, auf CNN und Transformer basierende Modelle versuchten, Frequenz- und Periodizitätsinformationen für die Langzeit-Zeitreihenprognose zu nutzen. Die meisten bestehenden Ansätze basieren jedoch auf der Fourier-Transformation, die keine fein abgestufte und lokale Frequenzstruktur erfassen kann. In diesem Papier schlagen wir ein Wavelet-Fourier-Transformations-Netzwerk (WFTNet) für die Langzeit-Zeitreihenprognose vor. WFTNet nutzt sowohl Fourier- als auch Wavelet-Transformationen, um umfassende zeitlich-frequenzbezogene Informationen aus dem Signal zu extrahieren, wobei die Fourier-Transformation globale periodische Muster erfasst und die Wavelet-Transformation lokale Muster. Darüber hinaus führen wir einen Periodizitäts-gewichteten Koeffizienten (PWC) ein, um die Wichtigkeit globaler und lokaler Frequenzmuster adaptiv auszugleichen. Umfangreiche Experimente auf verschiedenen Zeitreihendatensätzen zeigen, dass WFTNet andere moderne Baseline-Modelle durchgehend übertrifft. Der Code ist verfügbar unter https://github.com/Hank0626/WFTNet.