FreTS: Zaman Serileri Tahmini için Frekans Alanlı MLP'ler
FreTS (Frequency-domain MLPs for Forecasting) · Ayrıca şöyle bilinir: Frequency-domain MLPs, FrequencyMLP, FreTS Forecaster, Frekans Alanı MLP
FreTS, Yi ve arkadaşları tarafından NeurIPS 2023'te tanıtılan bir zaman serisi tahmin mimarisidir. Transformer tabanlı tasarımlardan ayrılarak, Çok Katmanlı Algılayıcıları (MLP'ler) tamamen frekans alanında uygular. Model, Ayrık Fourier Dönüşümü ile girdi dizilerini dönüştürür ve ardından karmaşık değerli MLP katmanları aracılığıyla zamansal ve kanal bağımlılıklarını öğrenir, bu da önemli ölçüde daha düşük hesaplama maliyetiyle rekabetçi veya üstün uzun vadeli tahmin doğruluğu elde etmesini sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
FreTS, periyodikliğin ve küresel zamansal yapının hakim olduğu, örneğin elektrik tüketimi, hava durumu tahmini ve trafik akışı gibi uzun ufuklu çok değişkenli zaman serisi tahmin görevleri için uygundur. Hesaplama bütçesinin sınırlı olduğu durumlarda en uygunudur, çünkü frekans alanı işlemleri etkili dizi uzunluğunu azaltır. Serilerin anlamlı spektral yapı içerdiğini varsayar; belirgin periyodik bileşenleri olmayan oldukça düzensiz veya durağan olmayan verilerde, kazanımlar daha az olabilir. Alternatifler arasında dalgacık tabanlı spektral karıştırma için FEDformer, yama tabanlı dikkat için PatchTST ve saf kanal karıştırma MLP'leri için TSMixer bulunur.
Güçlü yönler & sınırlılıklar
- Düşük hesaplama karmaşıklığı: T zaman adımı yerine T/2+1 frekans bölmesi üzerinde çalışmak, uzun diziler için bellek ve FLOP'ları önemli ölçüde azaltır.
- Spektral katsayılar aracılığıyla küresel periyodiklikleri ve uzun menzilli bağımlılıkları kompakt bir şekilde yakalar, tam öz-dikkat mekanizmasının karesel maliyetinden kaçınır.
- Konumsal kodlama, belirteçleme veya karmaşık dikkat mekanizmaları olmayan basit mimari, uygulanmasını ve ayarlanmasını kolaylaştırır.
- Hem Transformer tabanlı hem de MLP tabanlı temel modellerle karşılaştırıldığında birden fazla standart kıyaslama üzerinde rekabetçi uzun vadeli tahmin doğruluğu gösterdi.
- Ayrık Fourier Dönüşümü periyodikliği varsayar; durağan olmayan veya eğilim hakimiyetindeki seriler, örnek normalleştirmesi veya fark alma gibi ek ön işleme gerektirebilir.
- Kanal karıştırma MLP'si örtük olarak sabit sayıda değişken varsayar, bu da farklı kanal sayılarına sahip veri kümelerine sıfır atış transferini sınırlar.
- Frekans kırpma (sadece en düşük T/2+1 bölmelerini tutma), düzensiz veya dürtüsel sinyaller için önemli olabilecek yüksek frekanslı bileşenleri atar.
- Açık zamansal yerellik eksikliği; mimari değişiklikler olmadan uzun menzilli örüntülerden ayrı olarak yakın yerel bağlama kolayca dikkat edemez.
SSS
FreTS, frekans alanı işlemlerini de kullanan FEDformer'dan nasıl farklılaşıyor?
FEDformer, dikkat mekanizmasını Fourier veya dalgacık karıştırmayla değiştirerek frekans alanı işlemlerini bir Transformer omurgasına entegre eder, konumsal kodlamaları ve ileri beslemeli blokları korur. FreTS, Transformer'ı tamamen ortadan kaldıran ve tüm karıştırma adımlarını doğrudan frekans alanında uygulayan daha basit, tamamen MLP tabanlı bir mimaridir, bu da daha düşük karmaşıklık ve daha az bileşenle sonuçlanır.
FreTS, zaman serisinin kesinlikle durağan olmasını gerektirir mi?
FreTS kesinlikle durağanlık gerektirmez, ancak Fourier Dönüşümü'nden önce uygulanan RevIN gibi örnek düzeyinde normalleştirmeden fayda sağlar. Normalleştirme olmadan, eğitim ve çıkarım pencereleri arasındaki dağılım kayması spektral temsili bozabilir. Güçlü durağan olmayan seriler için, FreTS uygulamadan önce ön işleme olarak fark alma veya eğilim giderme önerilir.
FreTS tek değişkenli tahmini işleyebilir mi, yoksa yalnızca çok değişkenli ayarlar için mi?
FreTS tek değişkenli serileri işleyebilir; bu durumda kanal karıştırma MLP'si tek kanallı bir işlem haline gelir ve model yalnızca zaman ekseni boyunca uygulanan bir frekans alanı MLP'sine indirgenir. Ancak, kanal karıştırma bileşeni, modelin kanallar arasında faydalanabileceği spektral yapıyı paylaşan ilişkili değişkenlerin olduğu çok değişkenli ayarlarda en fazla faydayı sağlar.
Kaynaklar
- Yi, K., Zhang, Q., Fan, W., Wang, S., Wang, P., He, H., An, N., Lian, D., Cao, L., & Niu, Z. (2023). Frequency-domain MLPs are more effective learners in time series forecasting. NeurIPS. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). FreTS (Frequency-domain MLPs for Forecasting). ScholarGate. https://scholargate.app/tr/deep-learning/frets
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- FEDformer: Frekans Geliştirilmiş Ayrıştırılmış TransformerDerin öğrenme↔ karşılaştır
- FiLM: Frekans İyileştirilmiş Legendre Hafıza ModeliDerin öğrenme↔ karşılaştır
- TSMixer: Zaman Serisi Tahmini için Tamamen MLP MimarisiDerin öğrenme↔ karşılaştır