FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting

时间序列预测在诸如工业设备维护、气象、能源消耗、交通流量和金融投资等领域中起着至关重要的作用。然而，尽管与传统的统计方法相比具有相当的优势，当前基于深度学习的预测模型往往存在显著的预测结果与真实情况之间的偏差。这种差异主要是由于对序列的潜在信息，尤其是频域内的全局信息和不同变量之间的关系，抽取不足所致。为了解决这个问题，我们提出了一种新颖的模型——双时域频域注意力（FAITH），它使用多尺度序列自适应分解和融合架构将时间序列分解为趋势和季节性分量，并分别处理它们。FAITH利用频道特征提取模块和频率时间特征提取模块来捕捉序列中通道之间的关系和时间上的全局信息，显著提高了处理长期依赖和复杂模式的能力。此外，FAITH通过修改时频域转换方法实现了理论上的线性复杂度，有效降低了计算成本。在长期预测的6个基准测试和短期预测的3个基准测试中，广泛的实验表明，FAITH在许多领域，如电力、天气和交通中，都优于现有模型，证明了它在长期和短期时间序列预测任务中的有效性和优越性。我们的代码和数据可在https://github.com/LRQ577/FAITH上获得。

本论文旨在解决当前深度学习时间序列预测模型在提取序列潜在信息方面不足的问题，导致预测结果与实际存在较大偏差的情况。论文提出了一种新的模型FAITH，旨在捕捉序列全局信息和变量之间的关系，以提高预测准确性。

FAITH模型通过多尺度序列自适应分解和融合架构将时间序列分解为趋势和季节性组件，并分别处理。模型利用频道特征提取模块和频率时间特征提取模块来捕获序列中的跨通道关系和时间全局信息，从而显著提高了处理长期依赖关系和复杂模式的能力。

论文的实验结果表明，FAITH模型在长期和短期时间序列预测任务中均优于现有模型，特别是在电力、天气和交通等领域。该模型的复杂度理论上是线性的，通过修改时频域转换方法，有效降低了计算成本。此外，论文提供了代码和数据集的开源。

在这个领域中，最近的相关研究包括：1）基于深度学习的时间序列预测模型，如LSTM、GRU等；2）利用分解方法提取序列特征的模型，如EEMD、STL等。