时序论文28｜CycleNet：通过对周期模式进行建模增强时间序列预测

论文标题：CycleNet: Enhancing Time Series Forecasting through Modeling Periodic Patterns

论文链接：https://arxiv.org/abs/2409.18479v1

代码链接：https://github.com/ACAT-SCUT/CycleNet

前言

这是今年NIPS的一篇时序论文，主要是提出了一种通过对周期模式进行建模来提高时间序列预测性能的方法。很明显，论文潜在的应用领域是那些具有周期模式的数据。这是一种很好的思路，就是把应用方向限制在具体问题上。时间序列领域有很多问题，比如：平稳性、周期性、长/短预测、趋势分解等等，一个模型肯定不能适应所有数据，解决所有问题，那么我就把问题定义清楚，只解决我定义的问题。

这里其实有个潜在的argue点，就是审稿人可能会觉得这样的论文应用面有限，一个回避的策略是：在论文中对结果做定量分析，解释本文方法为什么，并对其局限性和未来研究方向进行了讨论，这样相当于间接堵住审稿人的嘴。

研究背景

长周期预测的关键在于理解数据中的周期性，实际上就是发现数据的周期模式。像 Informer、Autoformer和 PatchTST 这类模型属于借助了Transformer 的长距离建模能力。ModernTCN 采用大卷积核来增强 TCN（时间卷