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。
延伸问答
FreDF方法的核心思想是什么？
FreDF方法的核心是利用傅里叶变换将标签序列投影到频域，从而有效抑制标签之间的相关性。
FreDF在时间序列预测中解决了什么问题？
FreDF解决了时间序列预测中标签自相关性的问题，显著提升了预测精度。
使用FreDF需要做哪些步骤？
使用FreDF只需在模型的损失函数中添加频域损失，具体步骤包括将标签序列和预测值转换到频域并计算频域损失。
FreDF在不同数据集上的表现如何？
FreDF在多个数据集上表现优异，显著提高了预测性能，尤其在ETTm1和M4数据集上有显著提升。
FreDF与现有方法相比有什么优势？
FreDF有效处理了标签序列中的自相关性，避免了现有方法的偏差，从而提升了预测精度。
FreDF适用于哪些模型？
FreDF适用于多种主流模型，如Transformer、MLP等，具有模型无关的特性。
