W-Transformers : A Wavelet-based Transformer Framework for Univariate Time Series Forecasting
W-Transformers：基于小波的单变量时间序列预测框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究非平稳单变量时间序列的短期与长期预测，并采用小波分解和 Transformer，符合预测与时间序列方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
W-Transformers：基于小波的单变量时间序列预测框架
- 研究问题
- 对于非平稳单变量时间序列，如何同时表征不同尺度的变化与长期非线性依赖，并在短期及长期预测任务中加以利用？
- 方法与思路
- 作者先用最大重叠离散小波变换分解时间序列，再在分解后的数据上构建局部 Transformer，以形成预测表示学习框架。
- 材料陈述的贡献
- 摘要称该框架在多个领域的公开基准数据上平均显著优于基线预测器，且在训练样本仅有数百个的数据中也展示了效果。
- 阅读关注点
- 应核对小波分解和预测重构方式、数据划分是否存在信息泄漏、基线调参是否公平，以及显著性比较与小样本结果的稳定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供误差数值、基线名单或显著性方法，不能外推为普遍预测优势。
原文摘要
Deep learning utilizing transformers has recently achieved a lot of success in many vital areas such as natural language processing, computer vision, anomaly detection, and recommendation systems, among many others. Among several merits of transformers, the ability to capture long-range temporal dependencies and interactions is desirable for time series forecasting, leading to its progress in various time series applications. In this paper, we build a transformer model for non-stationary time series. The problem is challenging yet crucially important. We present a novel framework for univariate time series representation learning based on the wavelet-based transformer encoder architecture and call it W-Transformer. The proposed W-Transformers utilize a maximal overlap discrete wavelet transformation (MODWT) to the time series data and build local transformers on the decomposed datasets to vividly capture the nonstationarity and long-range nonlinear dependencies in the time series. Evaluating our framework on several publicly available benchmark time series datasets from various domains and with diverse characteristics, we demonstrate that it performs, on average, significantly better than the baseline forecasters for short-term and long-term forecasting, even for datasets that consist of only a few hundred training samples.