TimesNet：时序预测中的频域转换与二维卷积应用

1. TimesNet：时序预测领域的革新者

第一次接触TimesNet是在处理一组复杂的销售预测数据时。传统方法在捕捉周期性变化和多尺度特征上表现乏力，直到发现了这个将时序数据转换到频域处理的创新架构。TimesNet的核心思想是把一维时间序列转换成二维张量，通过二维卷积网络同时捕捉周期内(intra-period)和周期间(inter-period)的依赖关系。

关键突破：传统方法要么专注时域特征（如LSTM），要么单独分析频域信息（如傅里叶变换），而TimesNet首次实现了两者的有机统一。

2. 核心架构深度解析

2.1 时序到频域的转换机制

TimesNet的核心是快速傅里叶变换(FFT)模块。给定长度为T的输入序列X∈R^(T×d)，首先对每个维度计算FFT得到振幅谱A∈R^(T×d)。选取前k个显著频率（默认k=5），其对应周期长度计算为T/f。例如：

• 日数据中发现周周期（f=1/7）
• 小时数据中发现日周期（f=1/24）

python复制# FFT实现示例
import torch
def FFT_for_Period(x, k=5):
    xf = torch.fft.rfft(x, dim=1)
    freq = torch.fft.rfftfreq(x.size(1))
    amp = torch.abs(xf)
    _, topk_indices = torch.topk(amp, k, dim=1)
    return torch.gather(freq.expand_as(topk_indices), 1, topk_indices)

2.2 二维张量构建技巧

对每个选定的周期p，将原始序列reshape为3D张量：

• 第一维：周期数量（T/p）
• 第二维：周期长度（p）
• 第三维：特征维度（d）

例如处理日数据时，若发现周周期（p=7），则把T天数据转换为（T/7）×7×d的张量。这种表示天然适合用二维卷积处理：

python复制# 张量reshape示例
def reshape_to_2d(x, period):
    B, T, D = x.shape
    x = x.reshape(B, T//period, period,