depts: deep expansion learning for periodic time series forecasting

depts: deep expansion learning for periodic time series forecasting

长时间序列周期性预测问题

首先，未来的TS信号产生了对相邻历史观测和固有周期性的复杂依赖

第二个挑战在于，一个典型的真实世界TS的固有周期性通常是由不同振幅和频率的不同周期组成的。

其次，要求在根据数据估计其他参数之前预先确定周期频率，

模型：DEPTS

如图所示，DEPTS 主要包含两大模块：周期模块（The Periodicity Module）和展开模块（The Expansion Module）。

首先，周期模块负责对整条时间序列的全局周期进行建模，接受全局时间作为输入，推断隐式的周期状态作为输出。为了有效刻画多种不同模式的复合周期，这里使用了一组参数化的周期函数（如余弦级数）来构建周期模块并使用相应变换（如离散余弦变换）来进行高效的参数初始化。

然后，基于一段观测的时间序列信号及其相应的隐式周期状态，展开模块负责捕捉观测信号与隐式周期之间复杂的依赖关系并做出预测。在这里，研究员们拓展了经典的深度残差学习思想开发了一