arXiv cs.AI· Zhixuan Li, Naipeng Chen, Seonghwa Choi, Sanghoon Lee, Weisi Lin·· 9 天前AI 评分19
BEAT：面向长期时间序列预测的平衡频率自适应调优框架
BEAT: Balanced Frequency Adaptive Tuning for Long-Term Time-Series Forecasting
AI 导读
BEAT 是一个结合频率特定误差监测与自适应梯度调制的长期时间序列预测框架，通过 Frequency-Specific Monitor 在归一化空间比较预测与目标小波系数，并用 Dynamical Gradient Balancer 将误差比转为有界正系数，使相对误差高的分量获得更大梯度权重。在七个真实数据集上，BEAT 取得了与当前最先进预测方法相当的竞争性表现。
正文 · AI 翻译
摘要：长期时间序列预测支持广泛的应用，包括天气预测和电力需求规划。频域方法通过将观测分解为描述不同尺度时间变化的成分来解决这一任务。然而，单独的表示本身并不能提供一种显式机制来调整各成分之间的训练侧重。在共享的预测目标下，频率特定的网络可能保留不同程度的系数预测误差，这促使我们根据误差对其梯度进行调整。为此，我们提出了 BEAT（Balanced frEquency Adaptive Tuning，平衡频率自适应调优），一个将频率特定误差监测与自适应梯度调制相结合的框架。我们设计了一个频率特定监测器，在共同的归一化空间中比较预测的小波系数与目标小波系数，并将每个差异表示为相对于由细节成分计算得到的参考误差的比值。我们进一步引入了一个动态梯度平衡器，将这些比值转换为正的、有界的系数。相对误差较高的成分获得较大的梯度权重，而相对误差较低的成分获得较小的权重。一个共享的调制强度参数控制着与未调制训练的偏离程度，且监测和平衡操作仅在训练期间使用。在七个真实世界数据集上的实验表明，BEAT 相较于最先进的预测方法取得了有竞争力的性能。
| 评论： | 11 页，2 张图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2501.19065 [cs.LG] |
| （或 arXiv:2501.19065v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2501.19065 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Zhixuan Li [查看邮箱]
[v1]
2025 年 1 月 31 日星期五 11:52:35 UTC（924 KB）
[v2]
2025 年 8 月 3 日星期日 08:35:23 UTC（651 KB）
[v3]
2026 年 10 月 8 日星期四 09:19:36 UTC（799 KB）
来源：arXiv cs.AI · arxiv.org