WFTNet: Exploiting Global and Local Periodicity in Long-term Time Series Forecasting

要約

最近の CNN および Transformer ベースのモデルは、長期時系列予測に頻度と周期性の情報を利用しようとしました。
しかし、既存の研究のほとんどはフーリエ変換に基づいており、きめの細かい局所的な周波数構造を捉えることができません。
この論文では、長期時系列予測のためのウェーブレット フーリエ変換ネットワーク (WFTNet) を提案します。
WFTNet は、フーリエ変換とウェーブレット変換の両方を利用して、信号から包括的な時間周波数情報を抽出します。フーリエ変換はグローバルな周期パターンをキャプチャし、ウェーブレット変換はローカルな周期パターンをキャプチャします。
さらに、グローバル周波数パターンとローカル周波数パターンの重要性のバランスを適応的に取るために、周期性加重係数 (PWC) を導入します。
さまざまな時系列データセットに対する広範な実験により、WFTNet が他の最先端のベースラインを常に上回るパフォーマンスを示しています。

要約(オリジナル)

Recent CNN and Transformer-based models tried to utilize frequency and periodicity information for long-term time series forecasting. However, most existing work is based on Fourier transform, which cannot capture fine-grained and local frequency structure. In this paper, we propose a Wavelet-Fourier Transform Network (WFTNet) for long-term time series forecasting. WFTNet utilizes both Fourier and wavelet transforms to extract comprehensive temporal-frequency information from the signal, where Fourier transform captures the global periodic patterns and wavelet transform captures the local ones. Furthermore, we introduce a Periodicity-Weighted Coefficient (PWC) to adaptively balance the importance of global and local frequency patterns. Extensive experiments on various time series datasets show that WFTNet consistently outperforms other state-of-the-art baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google