2023年11月10日 · FreTS
频域MLP：时间序列预测的更有效学习器：将MLP应用于频域，克服时域MLP的点映射和信息瓶颈，提升预测性能
论文提出FreTS架构，通过离散傅里叶变换将时间序列转换到频域，利用频域MLP学习实部和虚部，在13个真实基准上超越现有方法，包括7个短期和6个长期预测任务。
EVENT STORY
发展脉络
- 首次出现频域MLP：时间序列预测的更有效学习器：将MLP应用于频域，克服时域MLP的点映射和信息瓶颈，提升预测性能arXiv cs.AI
- 当前判断在金融、交通、能源、医疗等依赖时间序列预测的行业，FreTS提供了一种低复杂度、高性能的替代方案，可替代现有Transformer或RNN模型，降低部署成本。Agent Pulse · 分析
该工作发现频域MLP具有全局视野和能量压缩特性，能更轻松学习全局依赖并聚焦关键频率成分，从而克服传统时域MLP的点映射和信息瓶颈问题。
FreTS包含域转换和频率学习两阶段：域转换通过FFT将时域信号转为频域复数；频率学习使用重新设计的MLP分别处理实部和虚部，并在序列间和序列内尺度上操作，实现通道维和时间维的依赖学习。实验覆盖13个基准，包括ETT、Exchange、Weather等，在MSE和MAE指标上一致优于Transformer、RNN等基线。边界：主要针对单变量和多变量时间序列，未涉及高维时空数据。
在金融、交通、能源、医疗等依赖时间序列预测的行业，FreTS提供了一种低复杂度、高性能的替代方案，可替代现有Transformer或RNN模型，降低部署成本。
建议在时序预测平台（如Prophet替代）中集成FreTS模块，优先在电力负荷预测或股票价格预测场景进行A/B测试，评估精度提升与计算成本节约。
后续可验证方向包括：在更大规模数据集（如100+变量）上的扩展性、与预训练模型的结合、以及频域MLP在异常检测或分类任务中的迁移效果。