在时序研究中，傅里叶变换占据着非常重要的地位，有关“
傅里叶变换+时间序列
”的研究更是如今一个新兴且热门的方向，在各大顶会比如NeurIPS上已有多篇优秀成果发表。
这是因为我们通常会在时序任务中先应用傅立叶变换进行初步处理，将复杂的时域信号转换为频域表示，然后基于这些频域，我们就可以构建更加精确和有效的模型，以进行后续的研究。
这种操作对提高数据分析的准确性非常重要，
不仅能帮助我们理解和解释数据中的模式和趋势，还能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，研究价值毋庸置疑。
本文整理了
10篇
傅里叶变换+时间序列最新论文
，包含顶会成果以及开源代码，论文er们需要参考的可以无偿领~
扫码
添加小享，
回复“
傅里叶时序
”
免费获取
全部论文+代码合集
State Sequences Prediction via Fourier Transform for Representation Learning
方法：
论文提出了一种新的方法，利用傅里叶变换的频域特性来提取时间序列数据中的潜在模式，以学习更具表现力的表示。具体来说，该方法通过预测无限步未来状态序列的傅里叶变换来提取这些信息，这有助于提高深度强化学习（RL）中样本的效率。
创新点：
-
通过傅里叶变换分析状态序列的频域以高效提取时间序列数据中潜在的结构信息。
-
通过预测无限步状态序列的傅里叶变换，作为自监督任务，提高表示学习的效率。
-
频域表示能有效区分时间域中难以区分的相似信号，提高策略性能的区分效率。
Deep frequency derivative learning for non-stationary time series forecasting
方法：
论文提出了一个名为DERITS的深度学习框架，它基于傅里叶变换和频率导数变换来提取时间序列数据的频率特征，并利用这些特征来进行时间序列预测。DERITS采用多阶频率信息融合及自适应傅里叶卷积网络方法，显著提升了预测精度和对分布漂移的应对能力。
创新点：
-
提出了一种新颖的可逆变换方法，即频率导数变换，通过在频域中导出信号以获得更稳定的频率表示，有效解决非平稳时间序列预测中的分布转移问题。
-
设计了一种自适应傅里叶卷积网络，用于进行自适应频率过滤和学习。
-
开发了一种并行堆叠的频率导数学习架构，以实现多阶导数信息的融合与预测。
扫码
添加小享，
回复“
傅里叶时序
”
免费获取
全部论文+代码合集
FourierGNN: Rethinking multivariate time series forecasting from a pure graph perspective
方法：
本文提出了一种新的纯图方法，通过构建超变量图来统一捕捉多变量时间序列中的空间和时间动态，并引入傅里叶图神经网络（FourierGNN）进行高效预测，克服了传统方法中空间和时间建模不兼容的问题，显著提高了预测性能和效率。
创新点：
-
提出了一种新颖的数据结构——超变图，它将时间序列的每个值视为图的一个节点，从而在一个统一的视角下考虑时空动态。
-
提出了一种新的网络架构——傅里叶图神经网络，其核心是傅里叶图操作符，用于在傅里叶空间执行矩阵乘法。
-
开发了n不变的傅里叶图操作符，有效地减少了参数量和计算成本，并在保持模型泛化能力的同时提高了预测性能。
