“小波变换+时间序列”再发A会！预测准确率近100％！隔壁课题组都馋哭了
相比传统的时间序列方法，小波变换不仅能同时提供时域和频域信息，准确定位时序中的特定事件或模式；还能去除时序数据中的噪声和冗余，在提高时序预测的准确性和可靠性方面效果拔群！
正因如此，其也成为各顶会、顶刊的宠儿，成果丰硕！像是Nature子刊上预测误差直降30％的WTFTP；AAAI上性能暴涨的WaveForM；准确率近乎100％的WTMT……
想在这方向发论文的伙伴，可以多从降低计算复杂度、优化参数选择、与其他模型融合等方面入手。为方便大家研究的进行，我也给大家精心挑选了9篇高质量的论文供大家参考，原文和源码都有！
论文原文+开源代码需要的同学看文末
WaveForM: Graph enhanced wavelet learning for long sequence forecasting of multivariate time series
内容：文章介绍了一个名为WaveForM的新型端到端图增强小波学习框架，用于长序列多变量时间序列预测。该框架首先利用离散小波变换（DWT）在小波域中表示时间序列，以捕捉频率和时间域特征，然后通过图构造器学习全局图来表示多变量时间序列之间的关系，并使用图增强预测模块来预测不同级别的小波系数。实验结果表明，WaveForM在五个真实世界预测数据集上的性能显著优于其他竞争基线模型。
MTSA-SNN: A Multi-modal Time Series Analysis Model Based on Spiking Neural Network
内容：文章介绍了一个基于尖峰神经网络（Spiking Neural Network, SNN）的多模态时间序列分析模型（MTSA-SNN），该模型通过脉冲编码器统一编码时间图像和序列信息，并使用联合学习模块融合多模态脉冲信号信息。此外，模型还结合了小波变换操作来增强分析和评估时间信息的能力。实验结果表明，MTSA-SNN在三个复杂的时间序列任务上取得了优越的性能，为分析复杂时间信息提供了一种有效的事件驱动方法。
Flight trajectory prediction enabled by time-frequency wavelet transform
内容：文章介绍了一种基于小波变换的时间频率分析框架，用于提高飞行轨迹预测的准确性。研究者们提出了一个名为Wavelet Transform-based Flight Trajectory Prediction (WTFTP)的框架，该框架通过编码器-解码器神经网络架构来估计小波分量，专注于有效建模全球飞行趋势和局部运动细节。通过在真实世界数据集上的实验，结果表明WTFTP框架比其他比较基线具有更高的准确性，特别是在爬升和下降阶段的机动控制中，获得了改善的预测性能。
The Optimization of LSTM Model by Wavelet Transform and Simulated Annealing Algorithm
内容：文章讨论了通过小波变换和模拟退火算法优化长短期记忆（LSTM）模型的方法。小波变换用于增强LSTM模型的特征提取能力，而模拟退火算法用于优化模型的参数选择，从而提高LSTM模型在时间序列预测等方面的性能。
码字不易，欢迎大家点赞评论收藏！
关注下方《AI科研技术派》
回复【小波时序】获取完整论文
👇
原文地址：https://blog.csdn.net/2401_82426425/article/details/143578534
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！