摘要
长期时间序列预测（Long-term Time Series Forecasting, LTSF）在电力消费规划、金融预测以及疾病传播分析等诸多现实应用场景中具有重要意义。LTSF需要捕捉输入与输出之间的长程依赖关系，但由于复杂的时序动态特性以及高昂的计算需求，这一任务面临巨大挑战。尽管线性模型通过采用频域分解的方法降低了模型复杂度，但现有方法通常假设数据具有平稳性，并滤除了可能包含关键短期波动的高频分量，从而限制了预测性能。本文提出一种名为MMFNet的新模型，旨在通过多尺度掩码频域分解方法，提升长期多变量时间序列的预测能力。MMFNet在不同尺度下将时间序列转换为频域片段，同时引入可学习的掩码机制，自适应地过滤无关成分，从而有效捕捉精细、中等和粗粒度的时序模式。在多个基准数据集上的大量实验表明，MMFNet不仅克服了现有方法的局限性，而且在各项指标上均表现出稳定优异的性能。具体而言，相较于当前最先进的多变量预测模型，MMFNet在均方误差（MSE）上最高可降低6.0%。