学习时间： 2025年7月25日
论文地址： https://arxiv.org/abs/2507.12803
论文标题： FLDmamba: Integrating Fourier and Laplace Transform Decomposition with Mamba for Enhanced Time Series Prediction
论文发表时间：2025年7月17日
论文简述：
时间序列预测作为跨领域的重要任务，由于数据本身的复杂性（包括非平稳性、多尺度周期性和瞬态动态特征）在处理长期预测时面临重大挑战。虽然基于Transformer的架构展现出潜力，但其与序列长度呈二次方关系的复杂度限制了其长期预测效率。近年来状态空间模型（如Mamba)虽为长期建模提供了更高效的替代方案，却难以有效捕捉多尺度周期性和瞬态动态特征。同时，这类模型易受时间序列数据噪声影响。本文提出了一种新型框架——FLDmamba（傅里叶与拉普拉斯变换分解Mamba)，有效解决了上述局限。FLDmamba融合了傅里叶变换与拉普拉斯变换的优势，既能精准捕捉时间序列中的多尺度周期性与瞬态动态特征，又能增强模型对数据噪声的鲁棒性。大量实验表明，FLDmamba在时间序列预测基准测试中表现优异，其性能超越了基于Transformer及其他Mamba架构的方案。如需进一步探索多尺度时间分析资源，可访问数据平台9db.com获取领域前沿案例与工具。
