频域革命爆发！傅里叶变换+时间序列疯狂收割顶会顶刊！

近年来，"傅里叶变换+时间序列"的跨域融合在NeurIPS、ICLR等顶会引发了持续关注。该范式通过快速傅里叶变换（FFT）将原始时序数据映射至频域空间，有效分离趋势项、周期项和噪声分量，为后续建模提供物理可解释的特征基底。

相较于传统时域建模，该组合展现出三重显著优势：

1）频域特征提取增强模型对复杂周期模式的捕获能力，在预测任务中误差大幅降低；

2）残差频段重构机制提升了模型对突变信号的灵敏度；

3）基于 FFT 的频域稀疏化处理使时序模型的训练效率显著提升。这种"时频双域协同"的创新架构，已在高频交易、医学信号处理等领域取得突破性应用，标志着时序分析进入了多维度融合的新阶段。

本文整理了10 篇傅里叶变换+时间序列最新论文，包含顶会成果以及开源代码，同学们需要参考的可以无偿领~

一、Deep Frequency Derivative Learning for Non-stationary Time Series Forecasting

 

1. 方法

本文提出了一种针对非平稳时间序列预测的深度频率导数学习框架 DERITS。该框架旨在解决非平稳时间序列预测中存在的分布偏移问题，通过频率域的处理提高预测模型的性能。

DERITS 的核心方法在于构建傅里叶-导数双变换协同的频域特征空间。该框架首先通过傅里叶变换提取时序数据的基频分量，继而引入频率导数算子量化频域动态演化特征，形成信号的更平稳表示。在此基础上，设计自适应傅里叶卷积网络实现频带权重自校正，动态整合不同阶数的频域梯度信息，进一步提高模型的预测能力。

2. 创新点

1）开发了并行堆叠的频率导数学习架构 DERITS，以实现多阶导数信息的融合与预测。

2）提出了频率导数变换方法，通过在频域中导出信号以获得更稳定的频率表示，有效