AdaWaveNet：用于时间序列分析的自适应小波网络

摘要

时间序列数据分析是金融、医疗保健和气象等领域的关键组成部分。尽管在时间序列分析的深度学习方面取得了进展，但在解决时间序列数据的非平稳性方面仍然存在挑战。传统的时间序列分析模型是建立在统计特性恒定的假设基础上的，往往难以捕捉实际时间序列中的时间动态特性，从而导致时间序列分析的偏差和误差。本文介绍了一种新的基于自适应小波变换的非平稳时间序列数据多尺度分析方法–自适应小波网络（AdaWaveNet）。AdaWaveNet设计了一种基于提升方案的小波分解和构造机制，用于自适应和可学习的小波变换，提高了分析的灵活性和鲁棒性。本文在10个数据集上进行了3个不同任务的大量实验，包括预测、插补和新建立的超分辨率任务。评估结果表明，AdaWaveNet在所有三个任务中均优于现有方法，说明了其在各种实际应用中的潜力。

引言

时间序列数据广泛应用于金融、医疗保健和气象等领域，需要有效的分析方法（Esling和Agon，2012）。因此，对时间序列数据的理解和分析已经引起了人们对各种实际应用的极大兴趣。最近，深度学习的快速发展显著改变了时间序列分析的格局。这些进步促进了各种应用的突破，包括预测（Zhou et a