FITS：一个轻量级而又功能强大的时间序列分析模型

AI预测相关目录

AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容
最好有基础的python算法预测经验

1. EEMD策略及踩坑
2. VMD-CNN-LSTM时序预测
3. 对双向LSTM等模型添加自注意力机制
4. K折叠交叉验证
5. optuna超参数优化框架
6. 多任务学习-模型融合策略
7. Transformer模型及Paddle实现
8. 迁移学习在预测任务上的tensoflow2.0实现
9. holt提取时序序列特征
10. TCN时序预测及tf实现
11. 注意力机制/多头注意力机制及其tensorflow实现
12. 一文解析AI预测数据工程
13. FITS：一个轻量级而又功能强大的时间序列分析模型

---

---

一、FITS简介

与现有的直接处理原始时域数据的模型不同，FITS的工作原理是，可以通过在复数频率域的插值来操纵时间序列，实现了与时间序列预测和异常检测任务的最先进模型相媲美的性能。

值得注意的是，FITS仅使用约10k个参数，使它非常适合边缘设备，并为各种应用场景提供了可能。

本质上，通过插值所提供的段的频率表示来产生一个扩展的时间序列段。
FITS的核心是一个复值线性层，精心设计来学习振幅缩放和相移，从而促进了在复频域内的插值；还包含了一个低通滤波器，时域变化剧烈的数据段对应了频率上的高频成分，低通滤波器的使用本质上是对时域上变化剧烈的数据去除，某种程度上可以理解为“异常点”过滤，确保了原始时间序列的大部分有意义的内容得以保留。

由上可见低通滤波器作用。

这2处设计使得FITS用不到10k的参数就取得了很好的效果。

鉴于FITS在效果、内存和计算方面的效率，FITS是部署的理想候选者，甚至是直接在边缘设备上进行训练。

开源地址：

https://github.com/VEWOXIC/FITS

二、频域知识基础

简而言之，频域本质上是抛弃了时间维度上对信息的观测，转为从信息整体进行把控，用基础小波函数对原始信号进行分解。频域转换的结果本质上是不同频率小波函数对应的幅度/权重系数的组合。

三、FITS流程

通俗介绍可以描述如下：
时域信号——>频率成分——>高频过滤——>经过神经网络复数线形层拟合后的频率成分——>padding——>逆变换为时域信号

算法输出的时域信号不仅包括了原本的时域数值，还包括了自身要预测的部分。

四、总结

FITS，这是一种低成本模型，只有10k个参数，但其性能可与通常要大几个数量级的最新模型相媲美。在未来的工作中，我们计划对FITS进行更多现实场景下的评估，并提高其可解释性。此外，我们还旨在探索大规模复数值神经网络，如复数值Transformer等频域模型。

一句话总结就是用离散傅里叶变换转换到频域后进行一个复数Linear变换，然后再逆傅里叶变换回时域，即可得到结果。虽然效果不是最好的，但参数量非常低，占用内存很小。

本文旨在分享在AI时域预测上的频率利用思路，具体代码可以利用框架自己设计实现，或引用开源代码进行应用。部分场景下该算法表现非常优秀。