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
- EEMD策略及踩坑
- VMD-CNN-LSTM时序预测
- 对双向LSTM等模型添加自注意力机制
- K折叠交叉验证
- optuna超参数优化框架
- 多任务学习-模型融合策略
- Transformer模型及Paddle实现
- 迁移学习在预测任务上的tensoflow2.0实现
- holt提取时序序列特征
- TCN时序预测及tf实现
- 注意力机制/多头注意力机制及其tensorflow实现
- 一文解析AI预测数据工程
- 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
- AI预测相关目录
- 一、FITS简介
- 二、频域知识基础
- 三、FITS流程
- 四、总结
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。