[LG]《Wavelet Mixture of Experts for Time Series Forecasting》Z Zhou, Y Xiong, J Zhang, C Xia, X Xie [Shanghai University of Engineering Science] (2025)
WaveTS系列：基于小波变换的轻量级时间序列预测新范式
• 结合离散小波变换（DWT）与多层感知机（MLP），有效分离并利用时间序列的低频周期性与高频非平稳特征，实现高精度预测。
• WaveTS-B为基础模型，采用专用滤波器分解信号，利用MLP处理低频成分，兼顾性能与效率。
• WaveTS-M引入专家混合模型（MoE）与通道聚类策略，动态分配多通道权重，实现复杂多变量数据的高效建模与预测性能跃升。
• 使用可逆实例归一化（RevIN）保证输入输出尺度一致，支持长短期预测，适配多领域实际数据（电力、交通、气象等）。
• 实验覆盖8个真实数据集，WaveTS系列在准确率和计算资源消耗上均领先SOTA模型，参数量低至数万，训练速度快，推理延迟低，适合实时场景。
• 解析显示小波分解分离的低频信号主导预测效果，高频信号虽含噪声但辅助提升，权重学习进一步优化频段贡献。
• 多样化小波基测试表明Daubechies与Coiflets提升准确度，Haar小波则兼顾计算效率，灵活适配不同需求。
• 长输入历史下性能提升明显，充分利用时间信息，非周期性强噪声型数据表现稍逊，提示未来需增强对突发波动的适应性。
• 未来方向聚焦更优小波基探索、金融气象等高频波动领域适应性提升及智能制造等行业应用拓展。
WaveTS系列以小波域的信号细致分解结合动态专家网络，提出了一种兼具解释性、效率与准确性的时间序列预测路径，展示了频域特征与结构化多通道建模的巨大潜力。
了解详情🔗 arxiv.org/abs/2508.08825
时间序列预测小波变换混合专家模型深度学习多通道数据
