CycleNet：通过建模周期性模式提升时间序列预测

时间序列数据中固有的稳定周期性模式，构成了进行长期预测的基础。本文首次系统性地探索了显式建模此类周期性以提升模型在长期时间序列预测（LTSF）任务中的性能。具体而言，我们提出了一种名为残差周期预测（Residual Cycle Forecasting, RCF）的新技术，该技术利用可学习的循环结构来捕捉序列内部的固有周期模式，并在此基础上对建模后周期的残差分量进行预测。将RCF与线性层或浅层多层感知机（MLP）相结合，构成了本文提出的简单而强大的方法——CycleNet。CycleNet在电力、气象和能源等多个领域均实现了当前最优的预测精度，同时通过将所需参数量减少超过90%，展现出显著的计算效率优势。此外，作为一种新型的即插即用模块，RCF还可显著提升现有模型（如PatchTST和iTransformer）的预测性能。项目源代码已公开，地址为：https://github.com/ACAT-SCUT/CycleNet。