今天给大家带来一篇时序预测领域的最新研究成果——基于频域多层感知机（MLP）的FreTS模型。这篇论文开创性地将传统MLP架构引入频域空间，通过独特的全局视野和能量压缩特性，在保持模型简洁性的同时显著提升了预测性能。作者团队通过理论推导证明了频域MLP与时域全局卷积的等价性，并在13个基准数据集（含7个短期预测和6个长期预测任务）上验证了其优越性。下面让我们深入解析这一将傅里叶变换与MLP巧妙结合的创新设计。

 完整文章链接：时序预测新范式：FreTS超越时域限制，开启MLP的频域新时代

接下来，我将深入对这篇论文展开全面解读。和以往一样，我会严格依照论文的结构框架，从研究背景、核心论点、实验设计到最终结论，逐一对文章的各个关键部分进行细致剖析 ，力求为大家呈现这篇时间序列预测论文的全貌，挖掘其中的研究价值与创新点。

1. Abstract

时序预测在金融、交通、能源和医疗等不同工业领域发挥着关键作用。尽管现有文献基于循环神经网络（RNN）、图神经网络（GNN）或 Transformer 设计了诸多复杂架构，但另一类基于多层感知机（MLP）的方法凭借结构简单、复杂度低和性能优越等特点脱颖而出。然而，现有多数基于 MLP 的预测方法受限于逐点映射和信息瓶颈问题，严重制约了预测性能的提升。为解决这一难题，本文探索了将 MLP 应用于频域时序预测的新方向。通过研究频域 MLP 的学习模式，发现其具有两项有利于预测的内在特性：（1）全局视角：频谱使 MLP 能完整观察信号，更易于学习全局依赖关系；（2）能量压缩：频域 MLP 能将信号能量集中于少量关键频域成分。基于此，本文提出 FreTS——一种基于频域 MLP 的简洁高效时序预测架构。该架构主要包含两个阶段：（1）域转换：将时域信号转换为频域的复数形式；（2）频域学习：通过重构的 MLP 分别学习频域成分的实部与虚部。上述阶段在序列间和序列内两个维度上协同运作，进一步实现了通道维和时间维的依赖关系学习。在13个真实世界基准数据集（含7个短期预测数据集和 6个长期预测数据集）上的大量实验表明，本方法始终优于最先进的预测模型。

2. Introduction

时间序列预测在气候状态估算、交通流量预测、经济分析等众多实际工业场景中具有关键作用。早期研究提出了指数平滑、自回归移动平均（ARMA）等传统统计预测方法。近年来，深度学习的蓬勃发展催生了基于循环神经网络（如DeepAR、LSTNet）、卷积神经网络（如TCN、SCINet）、Transformer（如Informer、Autoformer）和图神经网络（如MTGNN、StemGNN、AGCRN）的深度预测模型。尽管这些深度模型在特定场景下表现优异，但其复杂网络架构通常会导致训练/推理阶段的高计算开销。此外，海量参数易影响模型鲁棒性——当训练数据有限时尤为明显。为此，近期涌现出N-BEATS、LightTS、DLinear等基于多层感知机（MLP）的方法，以结构简单、计算高效和性能优越著称。然而，这类方法依赖逐点映射捕捉时序关系，难以处理时间序列的全局依赖性，且易受时序数据局部波动冗余性造成的信息瓶颈制约，严重限制了预测性能。

完整文章链接：时序预测新范式：FreTS超越时域限制，开启MLP的频域新时代