摘要

时间序列数据分析的复杂性得益于时域与频域表示所具有的独特优势。时域在刻画局部依赖关系方面表现优异，尤其适用于非周期性序列；而频域则在捕捉全局依赖关系方面更具优势，特别适合具有明显周期性特征的时间序列。为充分融合这两种表示方式的优势，本文提出一种创新框架——ATFNet，该框架通过集成时域模块与频域模块，实现对时间序列中局部与全局依赖关系的同步建模。具体而言，我们引入了一种名为“主导谐波序列能量加权”的新机制，可根据输入时间序列的周期性特征，动态调整两个模块之间的权重分配。在频域模块中，我们对传统的离散傅里叶变换（DFT）进行了扩展，提出“扩展型离散傅里叶变换”（Extended DFT），以应对离散频率失配带来的挑战。此外，我们设计了“复数谱注意力机制”（Complex-valued Spectrum Attention），为揭示不同频率组合之间的复杂关联提供了新颖的建模方式。在多个真实世界数据集上的大量实验表明，所提出的ATFNet框架在长时序预测任务中显著优于当前最先进的方法。