【报告内容】

汇报人：李娜

汇报单位：河海大学

主题：《FilterNet: Harnessing Frequency Filters for Time Series Forecasting》

1、Introduction

2、Method

3、Experiments

4、Conclusions

【报告总结】

1.待解决的问题描述

基于Transformer的模型结构在对于时间序列预测这样的问题来说，结构过于复杂，以iTransformer模型为例，它存在很多问题，比如对高频信号的响应较弱从而导致全频段信息利用受限、计算效率低下等，这些问题会大大影响模型的预测精度。

2.相关创新方案

文章提出了一种全新的时间序列预测方法，将信号处理中的频率滤波器技术直接应用于深度学习模型中。这种方法突破了传统基于Transformer或MLP的时间序列预测模型的局限性，设计了两种可学习的频率滤波器（Plain Shaping Filter和Contextual Shaping Filter），分别用于处理简单和复杂的频率信息。这种设计不仅能够有效提取时间序列中的关键信息，还能动态适应输入信号的变化。与传统的低通滤波器不同，FilterNet能够充分利用时间序列的全频谱信息，包括高频、中频和低频信号，从而更全面地捕捉时间序列的特征。提出了一种结合频率滤波器和深度学习的网络结构，限制提高了模型的预测精度和计算效率。

3.实验总结

文章的实验结果表明，FilterNet在多个真实世界的时间序列数据集上显著优于或至少可与现有的12种先进基线模型相媲美。FilterNet在预测精度（MSE和MAE指标）上表现优异，尤其是在处理高频信号和全频谱信息方面，展现了强大的建模能力。文章还比较了两种滤波器（Plain Shaping Filter和Contextual Shaping Filter）的性能。结果显示，Plain Shaping Filter在小规模数据集上表现更好，而Contextual Shaping Filter在大规模数据集上更具优势，这表明不同滤波器适用于不同类型的时间序列数据。实验还探讨了滤波器带宽对预测性能的影响。结果表明，当带宽等于输入序列长度时，模型性能最佳。这表明使用输入序列长度作为滤波器带宽是合理的。FilterNet的计算复杂度为O(Log L)，在不同规模的数据集上均表现出较高的效率，内存占用和训练时间均优于大多数Transformer模型。这些结果表明，FilterNet作为一种新型的时间序列预测模型，不仅在预测精度上具有优势，还在计算效率和模型适应性上表现出色，为时间序列预测领域提供了一种高效且有效的解决方案。

4.未来工作

该论文的研究成果为时间序列预测领域提供了一个新的方向，但仍有一些问题需要进一步研究和解决。例如，如何根据具体应用场景选择合适的滤波器类型，以及如何优化滤波器的设计和参数设置等。此外，还可以考虑将其他信号处理技术（如小波变换）与频率滤波器相结合，以进一步提高时间序列预测的性能。

报告时间：2025年02月14日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)