💡
原文中文，约2900字，阅读约需7分钟。
📝
内容提要
本文提出了一种新方法FreDF，通过频域标签训练解决时间序列预测中的标签自相关性问题，显著提升预测精度，适用于多种主流模型。实验结果表明，FreDF在多个数据集上表现优异，验证了其有效性和通用性。
🎯
关键要点
- 本文提出了一种新方法FreDF，通过频域标签训练解决时间序列预测中的标签自相关性问题。
- FreDF显著提升预测精度，适用于多种主流模型。
- 时间序列预测在气象预报、工业设备维护、医疗监测等领域具有关键应用价值。
- 现有方法忽略了标签序列中的自相关性，导致训练目标有偏。
- FreDF利用傅里叶变换将标签序列投影到频域，有效抑制标签之间的相关性。
- FreDF方法支持多种预测模型，实施简单，只需在损失函数中添加频域损失。
- 实验结果表明，FreDF在多个数据集上表现优异，显著提高预测性能。
- FreDF在短期和长期预测任务上均展现出良好的性能，证明其作为通用预测范式的潜力。
- 消融实验表明，仅使用频域损失即可取得显著的性能改进。
- FreDF生成的预测序列与真实标签序列之间的拟合度更高，抑制了噪声和异常波动。
- FreDF在不同神经网络架构上的表现证明了其与模型无关的特性。
➡️
