＜论文＞通过频率分解MoE来增强时序预测能力

最新推荐文章于 2025-08-26 20:41:37 发布

原创

最新推荐文章于 2025-08-26 20:41:37 发布 · 2k 阅读

29 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #算法 #深度学习 #时序预测 #傅里叶分析 #神经网络

一、摘要

本文介绍发表于2025年的关于时间序列预测的论文《FreqMoE: Enhancing Time Series Forecasting through Frequency Decomposition Mixture of Experts》。

译文：

长期时间序列预测在金融和天气预报等领域至关重要。除了在时域中使用的传统方法外，许多最近的模型将时间序列数据转换到频域，以更好地捕捉复杂模式。然而，这些方法通常使用滤波技术将某些频率信号作为噪声去除，这可能会无意中丢弃重要信息并降低预测准确性。为了解决这个问题，我们提出了频率分解混合专家（FreqMoE）模型，该模型将时间序列数据动态地分解为频带，每个频带由一个专门的专家模块处理。一个门控机制根据频率特征调整每个专家输出的重要性，并且聚合结果被输入到一个预测模块中，该模块使用残差连接迭代地细化预测。我们的实验表明，FreqMoE 优于最先进的模型，在所有测试数据集的 70 个指标中有 51 个指标实现了最佳性能，同时将所需参数的数量显著减少到 50k 以下，提供了显著的效率优势。