D-PAD: Deep-Shallow Multi-Frequency Patterns Disentangling for Time Series Forecasting

在时间序列预测中，有效地分离复杂的时间模式至关重要。虽然最近的研究试图将分解技术与深度学习相结合，但多个频率仍可能混合在分解的组件中，例如趋势和季节性。此外，频率域分析方法，例如傅里叶和小波变换，在时间域和适应性方面存在局限性。本文提出了D-PAD，一种用于时间序列预测的深浅多频模式分离神经网络。具体而言，引入了多组分分解（MCD）块，将序列分解成具有不同频率范围的组件，对应于“浅层”方面。提出了一种分解-重构-分解（D-R-D）模块，逐步提取混合在组件中的频率信息，对应于“深层”方面。之后，使用交互和融合（IF）模块进一步分析组件。对七个真实数据集进行的广泛实验表明，D-PAD实现了最先进的性能，在均方误差和平均绝对误差方面，平均超过最佳基线9.48％和7.15％。

本文旨在解决时间序列预测中多种频率混合的问题，提出了一种深浅层多频模式分离神经网络D-PAD。

D-PAD包括多组件分解块、分解-重构-分解模块和交互融合模块，通过逐步提取混合在组件中的频率信息，实现多频模式分离。

本文在七个真实数据集上进行了广泛实验，表明D-PAD的平均MSE和MAE分别比最佳基线提高了9.48%和7.15%，D-PAD在时间序列预测方面具有最先进的性能。

相关研究包括将分解技术与深度学习相结合的工作，以及傅里叶和小波变换等频域分析方法的应用，但这些方法在时间域分辨率和适应性方面存在局限性。