Leveraging Non-Decimated Wavelet Packet Features and Transformer Models for Time Series Forecasting
利用非抽取小波包特征与 Transformer 模型进行时间序列预测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：摘要明确研究单变量时间序列的一步与长预测期预测，并比较小波特征和多类预测模型。
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…
关注这篇论文的作者
利用非抽取小波包特征与 Transformer 模型进行时间序列预测
- 研究问题
- 在单变量时间序列预测中，小波与小波包特征能否替代高阶滞后输入，并改善不同统计模型和深度学习模型的预测表现？
- 方法与思路
- 作者交叉验证选择 Daubechies 小波消失矩数，比较非抽取小波与小波包特征，并用移位金字塔算法避免未来信息进入输入。
- 材料陈述的贡献
- 摘要称，小波特征对所考察非时序方法的一步预测有明显益处，对时序深度学习模型的长预测期任务则带来较温和的改善。
- 阅读关注点
- 应核对特征计算与交叉验证是否保持时间顺序、一步和长预测期的设置，以及数据集、误差指标、基准和显著性评估方式。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收状态未核实；摘要未给数据集或误差数值，改善结论仅涉及所考察的方法和实验。
原文摘要
This article combines wavelet analysis techniques with machine learning methods for univariate time series forecasting, focusing on three main contributions. Firstly, we consider the use of Daubechies wavelets with different numbers of vanishing moments as input features to both non-temporal and temporal forecasting methods, by selecting these numbers during the cross-validation phase. Secondly, we compare the use of both the non-decimated wavelet transform and the non-decimated wavelet packet transform for computing these features, the latter providing a much larger set of potentially useful coefficient vectors. The wavelet coefficients are computed using a shifted version of the typical pyramidal algorithm to ensure no leakage of future information into these inputs. Thirdly, we evaluate the use of these wavelet features on a significantly wider set of forecasting methods than previous studies, including both temporal and non-temporal models, and both statistical and deep learning-based methods. The latter include state-of-the-art transformer-based neural network architectures. Our experiments suggest significant benefit in replacing higher-order lagged features with wavelet features across all examined non-temporal methods for one-step-forward forecasting, and modest benefit when used as inputs for temporal deep learning-based models for long-horizon forecasting.