今天分享一个能发顶会顶刊的创新点：
小波变换+时间序列。
众所周知，传统时序方法只关注时域信息，忽略了很多细节，而小波变换作为一种多分辨率分析方法，可以同时提供时域和频域的信息，捕捉到时序中的瞬时变化，
大幅提高时间序列任务的准确性和效率。
更牛的是，
小波变换还有很高的灵活性和适应性
，可以根据时间序列数据的特性和分析需求，灵活选择不同的小波函数和分解级别，提取最有用的信息，因此它也是时间序列不可或缺的重要工具。
目前这个方向在各大顶会顶刊上已经出现了很多高质量论文，比如Nature子刊上的WTFTP、AAAI上的WaveForM。今天我就整理了
9篇
小波变换+时间序列的最新论文
供各位参考，希望可以给同学们一些灵感启发。
扫码
添加小享，
回复“
小波时序
”
免费获取
全部论文+代码合集
Flight trajectory prediction enabled by time-frequency wavelet transform
方法；
论文提出了一个创新的框架，即基于小波变换的飞行轨迹预测WTFTP，该框架采用编码器-解码器神经结构评估小波成分，着重建模全球飞行趋势和局部运动细节。实验验证了其显著优于其他基线模型的性能。
创新点：
-
引入基于小波变换的时间频率框架，精确捕捉飞行轨迹的全球趋势和局部运动细节，提高预测精度。
-
在神经网络架构中引入小波注意力模块，以捕捉尺度导向特征，增强模型的学习能力。
-
通过编码-解码神经架构生成并优化波形系数，提高未来轨迹点的预测能力。
WaveForM: Graph enhanced wavelet learning for long sequence forecasting of multivariate time series
方法：
论文提出了一个名为WaveForM的新型框架，它用于长期多变量时间序列（MTS）的预测。WaveForM框架的核心思想是利用离散小波变换将MTS转换到小波域，这样能够同时捕捉到时间域和频率域的特征。然后，框架通过图卷积模块来建模多变量之间的关系。
创新点：
-
提出了一个基于离散小波变换（DWT）的端到端框架，将多变量时间序列（MTS）转换到小波域进行长序列预测。
-
提出了一种全局图构造器，用于提取变量间在小波域中的全局信息，降低过拟合风险。
-
利用图卷积和膨胀卷积捕捉时间序列间的相关性，并预测不同级别的小波系数。
扫码
添加小享，
回复“
