在数据分析和机器学习领域，时间序列预测一直是一个关键且具有挑战性的任务。它在经济、气象、交通等多个领域发挥着重要作用。其中长期时间序列预测因其复杂性和不确定性而更受关注。

近日，中国科学院软件研究所天基综合信息系统全国重点实验室研究团队提出了一种新的动态融合频率方法，显著提高了长期时间序列预测的准确性和泛化能力。成果论文Not All Frequencies Are Created Equal:　Towards a Dynamic Fusion of Frequencies in Time-Series Forecasting被人工智能与多媒体领域顶级国际会议ACM MM 2024录用，硕士生张星宇、博士生赵思雨和宋泽恩为共同第一作者，通讯作者为特别研究助理强文文。

传统基于频率进行时间序列预测的方法通常是对所有的频率做相同处理或者在预测中剔除代表噪声的高频成分。但研究团队实验发现，同一个频率在不同场景下的作用大相径庭，比如某些数据集中的高频成分由于会降低预测精度，所以在预测中被作为噪声剔除，而在其他数据集中却能提高预测性能。

基于上述发现，研究团队提出了一种新的视角，即根据具体场景区别处理频率，并据此设计了Frequency Dynamic Fusion（FreDF）模型。FreDF模型将时间序列预测问题重新定义为学习傅里叶域中每个频率的传递函数。该方法允许模型独立预测每个傅里叶分量，并动态融合不同频率的输出。与传统的等权重融合方法相比，FreDF的动态融合策略可以灵活调整每个频率成分的权重，从而获得更精确的预测结果。此外，研究团队基于Rademacher复杂度推导出FreDF的泛化界限，并论证了FreDF模型比传统方法具有更低的泛化界限。

FreDF模型架构图

研究团队进一步在多个真实数据集上进行了广泛实验。结果表明，FreDF模型在长期预测任务上的性能均优于现有几种主流方法，表现出更高的准确性。同时，实验数据也表明FreDF模型具有更低的泛化界限，验证了FreDF模型在不同场景下具备更好的泛化能力。

FreDF模型和主流方法实验效果对比

论文地址：https://arxiv.org/abs/2407.12415 

代码地址：https://github.com/Zh-XY22/FreDF