要約
長期時系列予測（LTSF）は、電力消費計画、金融予測、疾病拡散解析など、多数の実世界応用において不可欠な技術である。LTSFでは、入力と出力間の長期依存関係を捉えることが求められるが、複雑な時系列ダイナミクスと高い計算コストにより、大きな課題が存在する。従来の線形モデルは周波数領域分解を用いることでモデルの複雑さを低減しているが、現在の手法はしばしば定常性を仮定し、重要な短期的な変動を含む高周波成分を除去してしまう傾向がある。本論文では、マルチスケールマスク付き周波数分解を活用することで、長期多変量予測の精度を向上させる新しいモデルMMFNetを提案する。MMFNetは、時系列を異なるスケールで周波数セグメントに変換し、学習可能なマスクを用いて不要な成分を適応的にフィルタリングすることで、細粒度、中間粒度、粗粒度の時系列パターンを効果的に捉える。ベンチマークデータセットを用いた広範な実験により、MMFNetは既存手法の限界を克服するとともに、一貫して優れた性能を示すことが明らかになった。特に、多変量予測タスクに特化した最先端モデルと比較して、平均二乗誤差（MSE）を最大6.0％まで低減することに成功した。