基于时序分解的时序数据通用表征学习

摘要

【目的】时间序列在金融、医疗、工业和气象等多个领域中具有广泛的应用价值。时间序列具有强时间依赖性。建模时间序列的多尺度特性往往忽视了数据中的细粒度结构。为了解决这些问题，提出了一种基于时序分解的通用表示对比学习框架（STURL）。【方法】通过对季节项进行层次化对比学习，能够在多尺度和细粒度层面上有效捕捉时间序列的多维特征。此外，还引入了频率混合策略，通过傅里叶变换增强季节项的表示，进一步提高了模型的鲁棒性和稳定性。【结果】实验结果显示，STURL在各下游任务上展现出了卓越的性能，并超越了基线方法。这些结果表明，该框架在提高模型准确性、减少预测误差以及增强异常检测能力方面的优越性，显示了其在实际应用中的潜力和可行性。

关键词

时间序列 / 表征学习 / 时序分解 / 对比学习 / 多任务一致性 / 时序数据通用表征