FreDF：在频域中学习预测
FreDF: Learning to Forecast in the Frequency Domain
精选理由
FreDF通过频域学习利用未来标签间的相关性，降低多步预测偏差，并可提升多种预测模型的效果。
AI 摘要
arXiv:2402.02399v3 公告类型：替换 摘要：由于历史数据和未来序列中均存在自相关性，时间序列建模面临独特的挑战。当前研究主要关注历史数据内部的自相关性，却往往忽略未来标签之间的相关性。具体而言，现代预测模型主要遵循直接预测（DF）范式，独立生成多步预测，而忽略标签在时间上的自相关性。在本研究中，我们证明，当标签存在自相关性时，DF 的学习目标存在偏差。为解决这一问题，我们提出了频率增强直接预测（FreDF），通过在频域中学习预测来缓解标签自相关性，从而降低估计偏差。实验表明，FreDF 显著优于现有最先进的方法，并且兼容多种预测模型。代码可在 https://github.com/Master-PLC/FreDF 获取。