【序列推荐、勒让德记忆模型】FiLM: Frequency improved Legendre Memory Model for Long-term Time Series Forec

#论文题目：【序列推荐】FiLM: Frequency improved Legendre Memory Model for Long-term Time Series Forecasting（FiLM：长期时间序列预测的频率改进勒让德记忆模型）
#论文地址：https://openreview.net/pdf?id=zTQdHSQUQWc
#论文源码开源地址：https://github.com/tianzhou2011/FiLM/
#论文所属会议：NeurIPS 2022
#论文所属单位： 阿里

一、综述

现有的序列推荐算法中，在预测长时间序列的时候，采用Transformer/LSTM等方法容易受噪声影响（因为它们倾向于过度拟合过去的所有峰值，从而导致有限的长期预测性能），LMU模型为长时间序列提供了良好的表示，同时为了减少噪声信号对勒让德投影的影响，通过结合傅立叶分析和低秩矩阵近似引入了一个降维层。更具体地说，其保留了勒让德投影的大维度表示，以确保历史数据的所有重要细节都得到保留。

二、模型结构

2.1 RevIN：数据标准化块

输入数据首先被归一化，然后被投影到勒让德多项式空间(LPU存储器C)。
对于每一个输入数据