频域+时间序列，一行代码稳定提升预测精度！

以往传统时域建模一直占据主导，但如今频域研究异军突起，与时间序列结合，能挖掘出更丰富信息，显著提升模型性能与预测精度。因此，频域+时间序列逐渐成为学术焦点，在金融风控、医疗信号分析、工业预测等领域都实现了突破性应用！

比如最近ICLR 2025上的FreDF，只需加入一行代码，就能在主流模型上实现预测精度的稳定提升！还有一区TOP上的TFDNet，在多个基准数据集上均超越SOTA！显然这方向已经成为了顶会顶刊常客。

目前如把时域方法迁移至频域、融合时频信息构建更优模型等，都是这方向比较推荐的创新思路，有论文需求的同学可考虑。本文整理了10篇频域+时间序列前沿论文（有代码），方便需要参考的同学研读。

全部论文+开源代码需要的同学看文末

FreDF: Learning to Forecast in the Frequency Domain

方法：论文提出了一种名为FreDF的方法，通过在频域中进行预测来减轻标签自相关性对预测结果的影响。具体来说，FreDF将时间序列数据转换到频域，利用频域中的特性来减少标签之间的自相关性，从而降低预测偏差。

创新点：

• 提出FreDF方法，将时间序列预测任务从时间域转移到频域，有效减轻了时间序列中标签自相关性对预测结果的影响。

• FreDF方法与多种预测模型兼容，通过在频域中进行预测，显著提高了模型的预测性能。

• 在多个数据集上验证了FreDF方法的有效性，证明了其在减少预测偏差和提高预测准确性方面的优势。

TFDNet: Time-Frequency Enhanced Decomposed Network for Long-term Time Series Forecasting

方法：论文提出TFDNet模型，用短时傅里叶变换把时间序列转成时间-频率矩阵，再用多尺度编码器分别处理趋势和季节性成分，针对不同数据集的通道相关性设计了个体核和多核共享策略，效果好且效率高。

创新点：

• 提出TFDNet模型，用短时傅里叶变换把时间序列转成时间-频率矩阵，同时捕捉时间和频率信息。

• 根据不同数据集的通道相关性，设计个体核策略和多核共享策略，分别处理趋势和季节性成分。

• 在多个数据集上验证，TFDNet效果和效率都优于现有方法。

FredNormer: Frequency Domain Normalization for Non-stationary Time Series Forecasting

方法：论文提出了一种名为FredNormer的方法，用于处理非平稳时间序列预测中的分布偏移问题。该方法从频域角度出发，通过分析时间序列数据的频率稳定性，自适应地增强关键频率成分的权重。

创新点：

• 提出FredNormer，从频域视角分析时间序列，自适应增强关键频率成分权重。

• 设计统计度量和可学习加权层，归一化输入样本并调整稳定性。

• 实验证明FredNormer在多个数据集上显著提升预测模型性能，尤其在复杂频率特征数据集上效果显著。

Enhancing Multivariate Time-Series Domain Adaptation via Contrastive Frequency Graph Discovery and Language-Guided Adversary Alignment

方法：本文提出了一种名为ConFGD的方法，通过频域分析和时间序列特征提取，对齐源域和目标域的频率信息，同时利用对比学习框架进一步对齐频率上下文表示，增强预测能力。此外，还引入语言模型生成的文本嵌入对齐分类特征，进一步提升预测精度。

创新点：

• 提出频率图发现模块（FGD），通过离散小波变换（DWT）分解时间序列，捕捉并对齐源域和目标域的频率信息。

• 引入频率上下文对比学习（FCCL）框架，进一步对齐频率上下文表示，提取标签不变信息。

• 设计语言引导的对抗对齐模块（LAA），利用大型语言模型的文本嵌入对齐分类特征，提升预测精度。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“222”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏