論文の概要: FreqCycle: A Multi-Scale Time-Frequency Analysis Method for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2603.09661v1
• Date: Tue, 10 Mar 2026 13:34:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.339714
• Title: FreqCycle: A Multi-Scale Time-Frequency Analysis Method for Time Series Forecasting
• Title（参考訳）: FreqCycle:時系列予測のためのマルチスケール時間周波数解析手法
• Authors: Boya Zhang, Shuaijie Yin, Huiwen Zhu, Xing He,
• Abstract要約: 本稿では、時間領域における共有周期パターンを明示的に学習することにより、低周波の特徴を抽出するFreqCycleを提案する。 FreqCycleは、高速な推論速度を維持しながら最先端の精度を実現し、パフォーマンスと効率の最適なバランスを保っている。
• 参考スコア（独自算出の注目度）: 5.58518205945406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mining time-frequency features is critical for time series forecasting. Existing research has predominantly focused on modeling low-frequency patterns, where most time series energy is concentrated. The overlooking of mid to high frequency continues to limit further performance gains in deep learning models. We propose FreqCycle, a novel framework integrating: (i) a Filter-Enhanced Cycle Forecasting (FECF) module to extract low-frequency features by explicitly learning shared periodic patterns in the time domain, and (ii) a Segmented Frequency-domain Pattern Learning (SFPL) module to enhance mid to high frequency energy proportion via learnable filters and adaptive weighting. Furthermore, time series data often exhibit coupled multi-periodicity, such as intertwined weekly and daily cycles. To address coupled multi-periodicity as well as long lookback window challenges, we extend FreqCycle hierarchically into MFreqCycle, which decouples nested periodic features through cross-scale interactions. Extensive experiments on seven diverse domain benchmarks demonstrate that FreqCycle achieves state-of-the-art accuracy while maintaining faster inference speeds, striking an optimal balance between performance and efficiency.
• Abstract（参考訳）: 時系列予測には、時間周波数の特徴のマイニングが不可欠である。 既存の研究は主に、ほとんどの時系列エネルギーが集中している低周波パターンのモデリングに焦点を当てている。 中～高頻度の見落としは、ディープラーニングモデルのさらなるパフォーマンス向上を制限し続けています。 統合された新しいフレームワークであるFreqCycleを提案する。 (i)時間領域における共有周期パターンを明示的に学習することにより低周波特徴を抽出するフィルタ強化サイクル予測(FECF)モジュール (II) 学習可能なフィルタと適応重み付けにより中・高頻度エネルギー比を高めるための周波数領域パターン学習(SFPL)モジュール。 さらに、時系列データには、週毎や日毎のサイクルなど、複数の周期が混在している場合が多い。 結合した多周期性と長い見返り窓の問題に対処するために、FreqCycleを階層的にMFreqCycleに拡張し、これは、クロススケールな相互作用を通じて、ネストした周期的特徴を分離する。 7つの異なるドメインベンチマークに関する大規模な実験は、FreqCycleが高速な推論速度を維持しながら最先端の精度を実現し、パフォーマンスと効率の最適なバランスを保っていることを示している。

関連論文リスト

• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Stationarity Exploration for Multivariate Time Series Forecasting [16.66747488602513]
  APRNet(Amplitude-Phase Reconstruct Network)を提案する。 APRNetは振幅と位相の相互関係をモデル化し、振幅と位相が異なる物理量で制約されるのを防ぐ。 局所関数に適応的に適合する新しいKLCモジュールを提案する。
  論文  参考訳（メタデータ） (2025-08-12T13:15:51Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• BEAT: Balanced Frequency Adaptive Tuning for Long-Term Time-Series Forecasting [46.922741972636025]
  時系列予測は、天気予報や金融市場モデリングを含む多くの現実世界のアプリケーションにとって不可欠である。 BEAT(Balanced frequency Adaptive Tuning)は、各周波数のトレーニング状況を監視し、勾配更新を適応的に調整する新しいフレームワークである。 BEATは7つの実世界のデータセットの実験において、最先端のアプローチを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-01-31T11:52:35Z)
• FAITH: Frequency-domain Attention In Two Horizons for Time Series Forecasting [13.253624747448935]
  時系列予測は、産業機器の保守、気象学、エネルギー消費、交通流、金融投資など、様々な分野で重要な役割を果たしている。 現在のディープラーニングベースの予測モデルは、予測結果と基礎的真実の間に大きな違いを示すことが多い。 本稿では、時系列をトレンドと季節成分に分解する2つのホライズンズにおける周波数領域注意モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:37:02Z)
• ATFNet: Adaptive Time-Frequency Ensembled Network for Long-term Time Series Forecasting [7.694820760102176]
  ATFNetは、時間ドメインモジュールと周波数ドメインモジュールを組み合わせた革新的なフレームワークである。 本稿では,2つのモジュール間の重み調整機構であるドミナント・ハーモニック・シリーズ・エナジー・ウェイトリングを紹介する。 我々の複素数値スペクトル注意機構は、異なる周波数の組み合わせ間の複雑な関係を識別するための新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2024-04-08T04:41:39Z)
• Frequency-domain MLPs are More Effective Learners in Time Series Forecasting [67.60443290781988]
  時系列予測は、金融、交通、エネルギー、医療など、さまざまな産業領域において重要な役割を果たしてきた。 最多ベースの予測手法は、ポイントワイドマッピングと情報のボトルネックに悩まされる。 本稿では、時系列予測のための周波数領域上に構築された、シンプルで効果的なアーキテクチャであるFreTSを提案する。
  論文  参考訳（メタデータ） (2023-11-10T17:05:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。