AdaptiveFrequencyNet：一种基于可学习频率分解和跨尺度注意力融合的长期时间序列预测方法

《Scientific Reports》：AdaptiveFrequencyNet: a long-term time series forecasting approach based on learnable frequency decomposition and cross-scale attention fusion

　　

摘要

长期时间序列预测需要同时考虑不同时间尺度上的变化以及持续的时间依赖性。现有的频率分解方法在一定程度上解决了多尺度建模问题，但存在固定频率分解、特征融合过于简单以及跨尺度交互不足的问题。固定的频率划分还可能导致预测分布偏离输入尺度，从而影响长期预测的一致性。我们提出了AdaptiveFrequencyNet（AFNet）这一架构，它结合了可学习的多尺度滤波器组和跨尺度注意力融合机制。WAD采用深度卷积与分支式softmax混合技术（这是一种可学习的时间域处理方法，而非离散小波变换（DWT）或手工设计的傅里叶子带划分）。AMSFF则结合了自注意力、多尺度卷积和门控机制。CSAF利用跨尺度注意力实现渐进式的混合处理。在六个标准基准测试中，AFNet与九个强大的基线模型进行了对比，这些基线模型包括最近的Transformer风格模型iTransformer和Pathformer，所有测试均采用相同的评估流程。结果显示，在适度的参数配置下，AFNet取得了具有竞争力的测试误差（见表4）。测试结果受数据集和预测范围的影响：在所列数据集平均值中，iTransformer在电力数据集上的MSE最低（0.170），而AFNet的MSE为0.174；在ETTh1数据集上，AFNet的MSE（0.443）与Pathformer（0.439）相近。在天气数据集上，Pathformer和FreTS的MSE均低于AFNet。请注意，这些结果仅适用于所规定的评估协议。AMSFF和CSAF采用标准的多头注意力机制，每个注意力模块的处理复杂度随序列长度T的增长而呈\(O(T^2)\)级别增长，因此并非线性关系。在同一协议下的消融实验进一步验证了各模块的实际贡献。