文章 "神经网络变得简单（第 90 部分）：时间序列的频率插值（FITS）" 新评论 MetaQuotes 2025.02.06 12:03 新文章 神经网络变得简单（第 90 部分）：时间序列的频率插值（FITS）已发布： 通过研究 FEDformer 方法，我们打开了时间序列频域表述的大门。在这篇新文章中，我们将继续一开始的主题。我们将研究一种方法，据其我们不仅能进行分析，还可以预测特定区域的后续状态。 在之前的文章中，我们讨论了 FEDformer 方法，其使用频域来从时间序列中查找形态。不过，该方法所用的变换器很难称为轻量级模型。论文《FITS：依据 10k 参数为时间序列建模》提出了一种时间序列频率插值的方法（频率插值时间序列 - FITS），替代需要大量计算成本的复杂模型。它是时间序列分析和预测的紧凑、而高效的解决方案。FITS 使用频域插值来扩展所分析时间段的窗口，从而能够在无需大量计算开销的情况下高效提取时态特征。 FITS 方法的作者强调他们的方法有以下优点： FITS 是一种轻量级模型，配以少量参数，令其成为作用于资源有限设备上的理想选择。 FITS 使用复杂的神经网络来收集有关信号幅度和相位的信息，从而提高了时间序列数据分析的效率。 作者：Dmitriy Gizlyk 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
新文章 神经网络变得简单（第 90 部分）：时间序列的频率插值（FITS）已发布：
通过研究 FEDformer 方法，我们打开了时间序列频域表述的大门。在这篇新文章中，我们将继续一开始的主题。我们将研究一种方法，据其我们不仅能进行分析，还可以预测特定区域的后续状态。
在之前的文章中，我们讨论了 FEDformer 方法，其使用频域来从时间序列中查找形态。不过，该方法所用的变换器很难称为轻量级模型。论文《FITS：依据 10k 参数为时间序列建模》提出了一种时间序列频率插值的方法（频率插值时间序列 - FITS），替代需要大量计算成本的复杂模型。它是时间序列分析和预测的紧凑、而高效的解决方案。FITS 使用频域插值来扩展所分析时间段的窗口，从而能够在无需大量计算开销的情况下高效提取时态特征。
FITS 方法的作者强调他们的方法有以下优点：
作者：Dmitriy Gizlyk