Kolmogorov-Arnold Networks (KANs) for Time Series Analysis

本文介绍了Kolmogorov-Arnold网络（KAN）在时间序列预测中的新应用，利用它们自适应激活函数来增强预测建模。受Kolmogorov-Arnold表示定理的启发，KAN用样条参数化的单变量函数替换了传统的线性权重，使它们能够动态学习激活模式。我们证明了KAN在实际卫星流量预测任务中优于传统的多层感知器（MLP），提供更准确的结果，并且可学习参数数量明显更少。我们还提供了KAN特定参数对性能影响的消融研究。所提出的方法为自适应预测模型开辟了新的途径，强调了KAN作为预测分析中强大工具的潜力。

本文旨在介绍Kolmogorov-Arnold Networks（KANs）在时间序列预测中的应用，利用其自适应激活函数来增强预测建模。研究旨在验证KANs在实际卫星流量预测任务中的性能表现。

KANs使用样条参数化的单变量函数代替传统的线性权重，使其可以动态地学习激活模式。相比传统的多层感知器（MLPs），KANs在实际卫星流量预测任务中表现更加准确，可学习参数更少。

本文提出的方法为自适应预测模型开辟了新的途径，强调了KANs作为预测分析中强大工具的潜力。实验使用实际卫星流量数据集，证明了KANs的性能优于传统的MLPs。此外，本文还提供了KAN特定参数对性能的影响的消融研究。

近期在这个领域中的相关研究包括：基于深度学习的时间序列预测方法、使用卷积神经网络进行时间序列预测等。