FPN-fusion: Enhanced Linear Complexity Time Series Forecasting Model

本研究提出了一种新的时间序列预测模型FPN-fusion，具有线性计算复杂度，相较于DLiner，其预测性能更为优越，而且不增加参数数量或计算需求。我们的模型引入了两个关键创新：首先，采用特征金字塔网络(FPN)有效地捕捉时间序列数据的特征，避免了传统的趋势和季节分解。其次，开发了多级融合结构，无缝集成深层和浅层特征。实证结果显示，FPN-fusion在8个开源数据集的32个测试案例中，有31个测试案例的表现优于DLiner，平均均方误差(MSE)降低了16.8%，平均绝对误差(MAE)降低了11.8%。此外，与基于变换器的PatchTST相比，FPN-fusion在32个测试项目中实现了10个最佳MSE和15个最佳MAE结果，仅使用PatchTST总计算负载的8%。

本论文旨在提出一种新的时间序列预测模型，FPN-fusion，旨在通过线性计算复杂度实现卓越的预测性能，而不增加参数数量或计算要求。论文试图解决时间序列预测中的性能和计算复杂度之间的平衡问题。

FPN-fusion模型的关键思路是使用特征金字塔网络（FPN）来有效地捕捉时间序列数据的特征，以及开发一个多级融合结构，无缝集成深度和浅层特征。

FPN-fusion模型在8个开源数据集的32个测试用例中，平均降低16.8％的均方误差（MSE）和11.8％的平均绝对误差（MAE），并且仅使用PatchTST总计8％的计算负载就实现了10个最佳MSE和15个最佳MAE结果。

在这个领域中，最近的相关研究包括使用深度学习方法进行时间序列预测的研究，如LSTM和GRU，以及使用卷积神经网络进行时间序列预测的研究。