25年时序必将大爆发，傅里叶变换YYDS！

“傅里叶变换+时间序列”是信号处理和时间序列分析领域中的一个重要组合，两者结合能够发挥各自的优势，并在多个顶会（如NeurIPS、ICLR等）上发表了多篇优秀成果。

在时序任务中，可以先用傅里叶变换进行初步处理，将复杂的时域信号转换为频域表示。基于这些频域，构建更加精确和有效的模型，进行后续研究，以提高数据分析准确性。能够帮助理解和解释数据中的模式和趋势，并且用于预测和特征提取。

在图像处理、金融分析等多个领域都是必备技术，应用场景广泛！我整理了最新10种“傅里叶变换+时间序列”的创新思路！需要的同学添加工中号【沃的顶会】 回复 傅里叶时序 即可全部领取

傅里叶变换+时序卷积网络（TCN）层
神经傅里叶变换（NFT）

文章提出了一种新的算法——神经傅里叶变换（NFT），该算法结合了傅里叶变换和时序卷积网络（TCN）层，以提高多变量时间序列预测的准确性和可解释性。NFT通过分解时间序列数据为频率成分，能够有效捕捉周期性模式，并在多个预测时间范围内表现优异，超越了现有最先进的方法。

创新点

1.引入了神经傅里叶变换（NFT），将傅里叶变换与TCN相结合，达到了多变量时间序列预测的最新水平。

2.通过明确表示季节性和趋势模式，增强了模型的可解释性，填补了复杂数据解释的空白。

3.在14个不同数据集上进行了实证验证，证明了NFT在多个预测时间范围内的优越性能。

神经傅里叶建模（NFM）

研究提出了一种新的时间序列分析方法——神经傅里叶建模（NFM），该方法将时间序列数据完全直接地建模在傅里叶域中。NFM基于傅里叶变换的两个关键特性：将有限长度的时间序列作为傅里叶域中的连续函数进行建模，以及在傅里叶域内进行数据操作（如重采样和时间跨度扩展）。

通过引入可学习频率令牌（LFT）和隐式神经傅里叶滤波器（INFF），NFM实现了紧凑且表达力强的建模，并在多个任务上取得了最先进的性能。

创新点

1.首次将时间序列数据完全直接地建模在傅里叶域中，而非传统的时域。

2.提出了可学习频率令牌（LFT）和隐式神经傅里叶滤波器（INFF），用于灵活的频率扩展和插值。

3.通过频率域的操作（如零填充/截断和零交错）实现了时间序列的重采样和时间跨度扩展。

4.在多个任务（如预测、异常检测和分类）上展示了卓越的性能，同时模型参数量非常少，通常少于40K。

需要论文的同学添加工中号【沃的顶会】 回复 傅里叶时序 即可全部领取

FFT+SENet+LSTM

时间序列异常检测方法F-SE-LSTM

研究提出了一种新的时间序列异常检测方法F-SE-LSTM，该方法结合了快速傅里叶变换（FFT）、Squeeze-and-Excitation Networks（SENet）和长短期记忆网络（LSTM），通过频域分析来提高异常检测的准确性。

实验结果表明，F-SE-LSTM在多个数据集上的表现优于现有的深度学习异常检测方法。

创新点

1.提出了F-SE-LSTM，一种结合频域信息的时间序列异常检测方法。

2.利用FFT将时间序列数据转换为频域数据，构建频率矩阵，保留了时间序列的时序相关性。

3.引入SENet和LSTM来提取频域内的特征以及不同时间段之间的关系，增强了模型的表达能力。

傅里叶变换+自编码器

评估生成时间序列数据质量FFAD

研究提出了一种新的评估生成时间序列数据质量的指标——Fréchet Fourier-transform Auto-encoder Distance (FFAD)。该指标结合了傅里叶变换和自编码器，旨在解决现有评估方法在时间序列数据上的不足，特别是缺乏广泛接受的预训练特征提取模型。

通过实验结果，FFAD展示了其在区分不同类别样本方面的有效性，成为评估生成时间序列数据的重要工具。

创新点

1.提出了FFAD，一种结合傅里叶变换和自编码器的时间序列数据评估新指标。

2.通过傅里叶变换确定合适的频率分量数量，将时间序列数据转换为频域，实现标准化表示。

3.使用自编码器对大量时间序列数据进行压缩表示，展示了其有效性和通用性。

4.FFAD作为一种创新的评估指标，能够有效区分不同类别的时间序列数据。