Frequency-domain MLPs are More Effective Learners in Time Series Forecasting

时间序列预测在不同的行业，包括金融、交通、能源和医疗保健领域发挥着关键作用。在现有文献设计了许多基于rnn、gnn或transformer的复杂架构的基础上，提出了另一种基于多层感知器(mlp)的方法，该方法结构简单、复杂度低、性能优越。然而，大多数基于mlp的预测方法都存在逐点映射和信息瓶颈问题，这在很大程度上影响了预测效果。为了克服这一问题，我们探索了在频域应用mlp进行时间序列预测的新方向。我们研究了频域mlp的学习模式，并发现它们的两个固有特征有利于预测，(i)全局视图:频谱使mlp拥有信号的完整视图，更容易学习全局依赖关系，以及(ii)能量压缩:频域mlp集中在频率成分的较小关键部分，信号能量紧凑。然后，我们提出了FreTS，这是一种基于频域mlp的简单而有效的结构，用于时间序列预测。FreTS主要包括两个阶段:(i)域转换，将时域信号转换为频域复数信号;(ii)频率学习，执行我们重新设计的mlp来学习频率分量的实部和虚部。上述阶段在系列间和系列内尺度上运行，进一步有助于渠道和时间依赖学习。在13个现实世界基准(包括7个短期预测基准和6个长期预测基准)上进行的广泛实验表明，我们的方法优于最先进的方法。

总结：1）将时间序列转成频域 2）使用MLP方式预测

二。模型

 FreTS的频率学习架构如图所示，主要包括域转换/反演阶段、频域mlp以及相应的两个学习器，即频通道学习器(frequency Channel Learner)和频时学习器(frequency Temporal Learner)。

1. Domain Conversion/Inversion 

使用傅里叶变换可以将时间序列信号分解成其组成频率，正如前面在图1(a)中提到的，在频谱中学习有助于捕获更多的周期模式。鉴于此，我们将输入H转换到频域。注意，在FreTS中，我们分别对信道维度和时间维度进行域转换

2. Frequency Channel Learner

它允许模型捕捉不同变量之间的相互作用和相关性，从而导致更准确的预测。Channel Learner实现了不同信道之间的通信; 它通过在L个时间戳之间共享相同的权重来操作每个时间戳，以了解通道依赖关系

3.Frequency Temporal Learner

频率时间学习器的目的是学习频域中的时间模式

 4。 Projection

三。Frequency-domain MLPs 

 将上面的等式进行转换

四实验部分