革新预测领域：频域融合时间序列预测，深度学习新篇章，科研涨点利器

革新预测领域：频域融合时间序列预测，深度学习新篇章，科研涨点利器

引用

CSDN

1.

https://blog.csdn.net/YunTM/article/details/143772681

2024年，频域与时间序列的结合成为学术界研究热点，这一领域不仅能提供更丰富的信息，还能显著提升模型性能和预测准确性。对于科研人员来说，这是一个充满创新空间的研究方向。当前，学术界正聚焦于时频融合这一前沿趋势，尤其是在顶级学术会议中，频域分析已成为热议焦点。掌握时频结合技术的学者将在科研道路上占据先机，发表高质量论文、提升学术影响力的机会正悄然而至。目前，时域分析和频域分析已经成为了时间序列领域的重要工具，频域相关研究也逐渐成为了顶会常客。

下面将介绍几篇在该领域的代表性论文：

论文1：

A framework for assessing frequency domain causality in physiological time series with instantaneous effects
用于评估生理时间序列中即时效应的频域因果关系的框架

方法

• 因果性评估：提出了一种新的方法来量化多时间序列中的因果关系，特别是那些具有显著零滞后交互作用的序列。
• 扩展MVAR模型：引入了扩展的多变量自回归（eMVAR）框架，允许考虑时间滞后效应和即时效应。
• 频域因果性度量：利用eMVAR模型的谱表示，推导出新的频域因果性度量，这些度量能够概括即时效应的已知方向相干（DC）和部分DC（PDC）度量。
• 模型识别和验证：提出了两种模型识别方法，并讨论了与模型假设相关的潜在问题，包括白噪声检验和独立性检验。

创新点

• 即时效应的考虑：首次在频域因果性分析中同时考虑了即时和滞后效应，扩展了传统的Granger因果性定义。
• 新度量方法的提出：提出了新的频域因果性度量方法，这些方法能够描述多序列间复杂的方向性交互作用，尤其是在即时因果性不可忽视时。
• 模型识别的创新方法：提出了基于先验结构的eMVARis方法和基于非高斯性的eMVARng方法，以解决即时效应模型的识别问题。

论文2：

Frequency-domain MLPs are More Effective Learners in Time Series Forecasting
频域MLP在时间序列预测中是更有效的学习器

方法

• 频域MLPs：探索了在频域中应用多层感知器（MLPs）进行时间序列预测的新方向。
• FreTS架构：提出了一个简单而有效的基于频域MLPs的时间序列预测架构FreTS，包括域转换和频域学习两个阶段。
• 域转换：将时间域信号转换为频域复数。
• 频域学习：对频域分量的实部和虚部进行MLP学习，以恢复最终预测。

创新点

• 全局视角和能量压缩：发现频域MLPs能够捕获更明显的全局周期性模式，并且能够更清晰地识别对角线依赖性和关键模式。
• FreTS架构的提出：提出了一个新颖的架构，该架构在频域中学习时间序列预测映射，有效地结合了通道和时间依赖性。
• 实验验证：在13个真实世界的基准测试中（包括短期和长期预测），展示了FreTS相比现有最先进方法的优越性。

论文3：

Combining Time Series and Frequency Domain Analysis for Automatic Seizure Detection
结合时间序列和频域分析进行自动癫痫发作检测

方法

• EpiScan算法：利用连续小波变换方法识别具有节律性或周期性形态的癫痫活动。
• EWS分析：提出了一种新的时域方法，用于检测具有不规则和扭曲节律活动的癫痫发作模式。
• 性能分析：通过敏感性和误报率来评估检测性能，使用AIT EEG数据库进行验证。

创新点

• EWS算法的提出：首次提出了一种时域算法EWS，用于检测具有不规则结构、突发相位变化或扭曲的癫痫发作模式。
• EWS与EpiScan的结合：通过结合EWS算法和EpiScan算法，提高了检测敏感性，同时降低了误报率。
• 检测性能的提升：在AIT EEG数据库上测试表明，结合使用EWS和EpiScan算法可以提高检测敏感性3%，并将误报率降低0.034次/小时。

论文4：

Multivariate Frequency Domain Analysis of Causal Interactions in Physiological Time Series
多变量频域分析在生理时间序列中的因果相互作用

方法

• 时间序列分析：采用多变量时间序列分析技术，研究动态生理系统中收集的多个信号之间的相互依赖性。
• 频域表示：利用线性时间序列分析方法，通过频率域表示多通道数据，分析信号间的耦合和因果关系。
• Granger因果性：基于Granger因果性的概念，评估多变量过程中的因果关系，即一个过程对另一个过程的影响。
• 模型系数和谱表示：在多变量自回归（MVAR）模型的框架内，通过模型系数和它们的谱表示来量化耦合和因果关系。

创新点

• 时间序列分析：采用多变量时间序列分析技术，研究动态生理系统中收集的多个信号之间的相互依赖性。
• 频域表示：利用线性时间序列分析方法，通过频率域表示多通道数据，分析信号间的耦合和因果关系。
• Granger因果性：基于Granger因果性的概念，评估多变量过程中的因果关系，即一个过程对另一个过程的影响。
• 模型系数和谱表示：在多变量自回归（MVAR）模型的框架内，通过模型系数和它们的谱表示来量化耦合和因果关系。