【报告内容】

汇报人： 梁帅鹏

汇报单位：河海大学

TIMEKAN: KAN-Based Frequency Decomposition Learning Architecture for Long-Term Time Series Forecasting

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1.待解决的问题描述

在真实的时间序列数据中，一个重要的挑战是——它们往往包含多种不同的频率信息，例如短期波动和长期趋势是混杂在一起的。不同频率的信息往往彼此耦合，造成模型在学习时很难同时兼顾短期的细粒度变化和长期的宏观趋势。能否从频率的角度重新审视时间序列预测，把不同频率的模式分开处理，从而简化建模难度，同时提升精度和效率？

2.相关创新方案

提出了一种基于KAN的频率分解学习架构（TimeKAN），通过频域分解更清晰地刻画时间序列的特征模式，以解决由多个频率混合引起的复杂预测挑战。

第一，从频率解耦的角度重新审视时间序列预测问题，提出了一种新颖的"分解-学习-混合"架构，有效地解开了时间序列中复杂的信息耦合。

第二，引入TimeKAN作为一个轻量级但高效的预测模型，并设计了创新性的多阶KAN模块，通过最大化KAN的灵活性来有效建模和表示不同频率上的模式。

第三，TimeKAN在多个时间序列预测任务上展现出卓越的性能，同时参数量显著低于现有的最先进模型。

3.实验总结

TimeKAN在几乎所有数据集上都取得了最优或次优的性能。

在Weather、ETTh1、ETTh2、ETTm1、ETTm2这五个数据集上，TimeKAN取得了最佳性能仅在Electricity数据集上，不如iTransformer TimeKAN在大幅减少参数量的同时，还取得了最优的预测性能。这打破了"模型越大、效果越好"的传统认知。

4. 未来工作

1）当前局限性

第一，对于超高维数据（如Electricity数据集的321个变量），TimeKAN主要关注时间维度建模，对变量间依赖关系的建模还不够充分。未来可以考虑引入通道注意力机制。

第二，虽然TimeKAN已经很轻量，但在极端资源受限的设备上部署仍然需要进一步优化，比如模型量化或知识蒸馏。

第三，当前的频率分解层数K是一个超参数，需要针对不同数据集调整。未来可以探索自适应确定K的方法。

2）未来研究方向

方向一：多变量建模增强

结合时间维度和变量维度的联合建模，设计双流架构或图神经网络来捕获变量间的复杂关系。

方向二：自适应架构搜索

使用神经架构搜索技术，自动确定最优的频率分解层数、KAN阶数等超参数。

报告时间：2025年10月24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)