AdaWaveNet: Adaptive Wavelet Network for Time Series Analysis

时间序列数据分析是金融、医疗和气象等多个领域中至关重要的组成部分。尽管深度学习在时间序列分析方面取得了进展，但仍存在一个挑战，即如何解决时间序列数据的非平稳性质。传统模型建立在时间内统计特性不变的假设上，往往难以捕捉现实时间序列的时间动态，导致时间序列分析中的偏差和误差。本文介绍了自适应小波网络（AdaWaveNet），这是一种新颖的方法，它采用自适应小波变换对非平稳时间序列数据进行多尺度分析。AdaWaveNet设计了一种基于提升方案的小波分解和构造机制，用于自适应和可学习的小波变换，提供了分析中的增强灵活性和鲁棒性。我们在3个不同任务的10个数据集上进行了广泛的实验，包括预测、插值和新建的超分辨率任务。评估结果表明，在所有三个任务中，AdaWaveNet相对于现有方法具有更好的效果，说明了它在各种实际应用中的潜力。

论文旨在解决非平稳时间序列数据分析中的挑战，提出一种新的方法AdaWaveNet，以应对传统模型难以捕捉时间序列动态性的问题。

AdaWaveNet采用自适应小波变换进行多尺度分析，设计了基于lifting scheme的可适应可学习小波变换分解和构造机制，提高了分析的灵活性和鲁棒性。

论文在10个数据集上进行了广泛的实验，包括预测、插值和超分辨率任务。实验结果表明，AdaWaveNet在所有三个任务中都优于现有方法，展示了其在各种实际应用中的潜力。

最近的相关研究包括《DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks》、《Deep Factors for Forecasting》等。