ATFNet：長期時系列予測のための適応型時間周波数エンセムブルネットワーク

時系列データ解析の複雑性は、時間領域と周波数領域の表現がもたらす特有の利点によって大きく恩恵を受ける。時間領域は、特に周期的でない時系列において局所的な依存関係を優れた精度で表現できる一方で、周波数領域はグローバルな依存関係を捉える点で優れており、明確な周期パターンを持つ時系列に適している。こうした両者の長所を活かすために、本研究では時間領域モジュールと周波数領域モジュールを統合する新しいフレームワーク、ATFNetを提案する。具体的には、入力時系列の周期性に基づいて両モジュール間の重みを動的に調整する新規メカニズム「主要調波系列エネルギー重み付け（Dominant Harmonic Series Energy Weighting）」を導入した。周波数領域モジュールでは、離散周波数の不一致という課題に対応するため、従来の離散フーリエ変換（DFT）を拡張した「拡張DFT（Extended DFT）」を採用し、性能を向上させた。さらに、複素数スペクトルに特化した「複素スペクトル注目メカニズム（Complex-valued Spectrum Attention）」を導入することで、異なる周波数組み合わせ間の複雑な関係性をより正確に抽出できるようになった。多数の実世界データセットを用いた広範な実験により、本研究で提案するATFNetフレームワークが、長期予測において既存の最先端手法を上回る性能を発揮することが実証された。