FITS：一个轻量级而又功能强大的时间序列分析模型

最新推荐文章于 2025-04-11 16:28:36 发布
最新推荐文章于 2025-04-11 16:28:36 发布
阅读量3.5k 收藏 25
点赞数 25
分类专栏： AI预测 文章标签： python 人工智能 深度学习 神经网络 回归 时序预测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43128256/article/details/136845968
版权
本文介绍了FITS，一种通过复数频率域插值进行时序预测的轻量级模型，拥有高效性能和低参数量。文章详细讲解了模型工作原理、流程以及其在频域处理的优势，展示了在边缘设备部署的可能性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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

文章目录

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

最低0.47元/天 解锁文章
FITS: 以轻量级模型应对时间序列分析的挑战
步子哥的博客
08-23 1128
时间序列分析在现代社会中扮演着至关重要的角色，尤其是在医疗设备、智能工厂等领域。随着物联网(IoT)设备的普及，边缘计算设备（如智能传感器）面临着计算和内存资源有限的挑战。因此，如何有效地处理和分析时间序列数据，成为了一个亟待解决的问题。在这一背景下，我们提出了FITS（Frequency Interpolation Time Series Analysis Baseline），一种轻量级但强大的时间序列分析模型。
文心一言在天文学中的应用：宇宙数据分析
最新发布
AI天才研究院
04-12 1323
本文旨在探讨文心一言大语言模型在天文学研究，特别是宇宙数据分析领域的应用潜力、技术实现和实际案例。文心一言如何理解和处理天文数据在天文图像识别、光谱分析和时间序列数据处理中的应用与传统天文数据分析方法的比较优势实际应用案例和效果评估本文首先介绍背景和核心概念，然后深入技术实现细节，包括数据处理流程和算法原理。接着展示实际应用案例，最后讨论未来发展趋势和挑战。文心一言(ERNIE): 百度开发的大规模预训练语言模型，具备强大的自然语言理解和生成能力FITS文件。
FITS: MODELING TIME SERIES WITH 10k PARAME- TERS
weixin_45731480的博客
09-12 759
在本文中，我们介绍了 FITS，一种轻量级但功能强大的时间序列分析模型。与直接处理原始时域数据的现有模型不同，FITS 的运行原理是可以通过复杂频域中的插值来操纵时间序列，从而实现与时间序列预测和异常检测任务的最先进模型相当的性能。值得注意的是，FITS 通过大约 10k 参数的精简配置来实现这一目标，使其非常适合边缘设备，并为广泛的应用铺平了道路。代码可用：https://github.com/VEWOXIC/FITS。
ICLR 2025 | DADA：首个通用时序异常检测模型
Python_cocola的博客
03-09 2017
时间序列异常检测在众多应用领域中发挥着关键作用。当前主流方法需针对各数据集训练独立模型，导致模型泛化能力受限，在训练数据稀缺的多元场景下异常检测性能显著下降。针对这一局限，本文提出构建通用型时间序列异常检测模型，通过跨域大规模预训练实现下游场景的广泛适配。为实现这一目标，需解决两大核心挑战：（1）如何在统一模型中满足不同数据集对信息瓶颈的差异化需求；（2）如何有效区分多元正常与异常模式，这对各类场景的异常检测效果至关重要。
fits文件介绍
02-21
fits文件介绍，它是天文数据卫星的一种格式
时序必读论文13｜ICLR24 “又好又快”的线性SOTA时序模型FITS
u010681011的专栏
09-27 1500
FITS（Frequency Interpolation Time Series Analysis Baseline）这篇文章发表于ICLR2024，也是之前SOTA的线性模型DLinear团队的最新论文。FITS的主要贡献在于基于傅立叶变换和低通滤波，通过在复频域内进行插值来操作时间序列，结合时域和频域优势，适用于边缘计算和实时分析任务，据作者所说，它具有大约10,000个参数。我个人觉得，大家很要必要研读一下DLinear和FITS这两篇文章，不在于模型，而在于作者讲故事的能力和技巧。
FITS概要
shuai_yue的博客
12-20 3858
相对于上述的一般图像格式，FITS格式原本也是作为天文领域的图像交换用格式而被开发的。这在FITS (Flexible ImageTransport System)上也有所体现。因为最初被提出是在1979年，所以反而比一般的图像格式成立得早。但是，就像Flexible的名字一样，目标是不限于图像，也能用于数据交换的格式。也就是说，不仅限于图像。目前压缩还没有包含在规格中。例如，用编辑器打开FITS文件(下左)和bmp文件(下右)，就会变成下面这样。
FITS文件标准 1：介绍
zaq15csdn的博客
07-18 3785
FITS文件是天文界常用的格式，在处理数据时需要了解FITS文件的内部细节。因此参考官网翻译部分内容学习。   FITS标准 version4 1.介绍 基于下面的假设，除了翻译设备，记录档案数据的硬件和软件都无法获取。因此档案格式在被阅读时必须易于携带和自描述。 这个文档，之后会用‘标准’一词代替，描述了FITS文件的格式。这种标准的档案数据格式用于天文界的数据集。尽管FITS最开始被...
AI论文速读 | 线性时间序列预测模型分析
suzukiwudi的博客
04-10 1655
尽管线性模型很简单，但即使与更深、更昂贵的模型进行比较，线性模型在时间序列预测中也表现良好。人们已经提出了线性模型的许多变体，通常包括某种形式的特征归一化，以提高模型的泛化能力。在本文中，我们分析了使用这些线性模型架构可表达的函数集。通过这样做，我们证明了用于时间序列预测的线性模型的几种流行变体与标准的无约束线性回归是等效的并且在功能上没有区别。我们描述每个线性变体的模型类。我们证明每个模型都可以被重新解释为在适当增强的特征集上的无约束线性回归，因此在使用均方损失函数时允许封闭形式的解决方案。
时序论文19｜ICML24 : 一篇很好的时序模型轻量化文章，用1k参数进行长时预测
u010681011的专栏
11-14 2165
最近读论文发现时间序列研究中，模型的轻量化是目前一个比较热门的方向。这篇论文提出了SparseTSF，一种极其轻量的长时间序列预测（LTSF）模型，旨在解决在有限计算资源下建模复杂时间依赖关系的挑战。SparseTSF的核心是跨周期稀疏预测技术，该技术通过将时间序列数据的周期性和趋势解耦，简化了预测任务。具体来说，该技术通过对原始序列进行降采样，专注于跨周期趋势预测，从而有效提取周期性特征，同时最大限度地减少模型的复杂性和参数数量。基于这种技术，SparseTSF模型使用不到1000。
Time-LLM ：超越了现有时间序列预测模型的学习器
AI相关从业分享
06-06 1868
Time-LLM 被展示为一个强大的时间序列学习器，其性能超越了现有的、专门的预测模型。输入补丁化：首先，将输入的时间序列数据分割成一系列“补丁”（patches），这些补丁是通过在时间序列上滑动窗口来创建的，每个补丁包含了一定数量的时间步长。实验与优化：在实践中，可能需要进行多次实验，调整模型参数，如补丁长度、步长、模型层数等，以及优化提示前缀的设计，来提高预测的准确性。解决方案：进行多次实验，调整模型参数，如补丁长度、步长、模型层数等，以及优化提示前缀的设计来提高预测的准确性。
近期值得关注的3个线性时序模型及其未来发展综述
u010681011的专栏
09-19 1014
从Transformer架构提出以来，时间序列领域几乎绝大多数模型是在Transformer架构基础改进。但自注意力机制计算复杂过高同时位置编码对时序信息表示不完全一直是问题。可解释性：数学形式简单直观，较清晰地展示变量之间的关系，有助于理解时间序列数据背后的动态机制。计算效率：计算成本低，使其在处理大规模时间序列数据时更加高效，特别是在需要实时预测或高频率更新的场景中。稳定性：线性模型通常对噪声和异常值具有一定的稳健性。能够相对较好地处理异常值和噪声问题，避免过度拟合或产生不稳定的预测结果。
推荐项目：ROCKET——高效准确的时间序列分类利器
gitblog_00055的博客
05-08 638
推荐项目：ROCKET——高效准确的时间序列分类利器 项目地址:https://gitcode.com/gh_mirrors/rock/rocket 1、项目介绍 在时间序列数据的处理和分析中，精确且高效的分类方法至关重要。ROCKET（Random Convolutional Kernel Transform）是一个创新性的时间序列分类器，它基于随机卷积核，能在保持高准确性的同时，显著降低计算复...
时间序列预测领域表现优秀的模型
11-12 1351
1. **TimeGAN (Time-series Generative Adversarial Network)**：TimeGAN是一种合成时间序列数据的实现，它结合了无监督GAN方法的多功能性与对有监督自回归模型提供的条件概率原理，以生成保留时间动态的时间序列。2. **C-RNN-GAN (Continuous RNN-GAN)**：C-RNN-GAN是使用GAN生成连续序列数据的一个例子，其中生成器是一个RNN，判别器是一个双向RNN，允许判别器在两个方向上获取序列上下文。
DeepSeek——推荐2025年潜在热点方向（时间序列预测）
m0_57689625的博客
03-03 1361
2024年最容易出成果的方向：多模态时序预测（应用性强）、扩散模型（理论新颖）、低资源学习（贴合实际需求）。建议选择1个方向，在现有SOTA模型上改进1-2个模块，搭配充分实验，3个月内可完成一篇顶会投稿。需密切关注ArXiv的最新预印本（如搜索“time series forecasting 2024”），避免重复工作。t=P1C7。
FITS论文解析
w1191474296的博客
11-05 882
高效性：DLinear模型的线性结构可以大大减少计算负担，尤其是在长序列预测时，避免了传统深度学习模型中常见的过度计算问题。解释性强：DLinear的简单线性层使得模型结果更容易解释，能够清晰地识别和分析时间序列数据中的趋势部分。能够捕捉复杂特征：频域处理结合了周期性特征的提取，对于具有周期性变化的数据（如金融数据、气象数据等）具有较强的适应性。结合多种方法：通过结合复杂的频域处理和DLinear的简化建模，模型能够充分利用数据中的信息，并避免过拟合。
【理论分析】线性预测器的等价性
liangdaojun的博客
06-09 962
其中a和b的维数是合适的。此外，我们证明了最小二乘线性回归的封闭形式解的性能与梯度下降训练的解相当或更好。我们证明了每个模型都可以被重新解释为在适当增强的特征集上的无约束线性回归，因此在使用均方损失函数时承认封闭形式的解决方案。我们提供的实验证据表明，在检查模型学习几乎相同的解决方案，并最终证明，更简单的封闭形式的解决方案是优越的预测在72%的测试设置。已经提出了许多线性模型的变体，通常包括某种形式的特征归一化，以提高模型的泛化。为了本文的目的，我们将“模型类”称为由模型体系结构引起的函数的参数集。
频域革命来了！傅里叶变换+时间序列分析引爆顶会顶刊！
04-11 913
近年来，"傅里叶变换+时间序列"的跨领域融合在NeurIPS、ICLR等顶级学术会议上引发了广泛关注。这一研究范式通过快速傅里叶变换（FFT）将原始时间序列数据映射到频域空间，从而实现趋势项、周期项和噪声分量的有效分离，为后续建模提供了具有物理意义的特征表示。与传统的时域建模方法相比，这种组合展现出三大显著优势：频域特征提取能够显著增强模型对复杂周期模式的捕捉能力，在预测任务中大幅降低误差；残差频段重构机制提高了模型对突变信号的敏感性；基于FFT的频域稀疏化处理显著提升了时序模型的训练效率。
ICLR‘2024时间序列论文汇总！预测、分析、分类等方向的最新进展
2401_82426425的博客
01-29 3935
与基于 Transformer 和 MLP 的模型相比，ModernTCN 提供了更好的效率和性能平衡，并展示了更大的有效感受野，从而更好地利用了卷积在时间序列分析中的潜力。本文提出了一种新的可解释稀疏系统识别方法，用于时间序列预测，它结合了基于知识和数据驱动的方法，利用傅里叶基处理时间序列数据，并通过稀疏优化实现高精度预测。为解决此问题，本文提出了一种无源无监督的对齐方法，利用学习到的动态重用预训练的生成模型，避免从头训练，并在模拟中验证了该方法对运动皮层神经记录的对准效果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

写代码的中青年

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值