多小波增强网络MWENet：面向长期预测的时序季节性-趋势分析与噪声抑制新方法

针对长期时间序列预测(LTSF)中高频噪声干扰与有效信息丢失的难题，新疆大学团队提出多小波增强网络MWENet。该研究通过融合傅里叶变换(FFT)与离散小波变换(DWT)的增强谱去噪模块(ESD)，结合改进型指数门控LSTM(ELSTM)，在7个真实数据集上实现51项SOTA性能，为复杂时序动态建模提供兼具噪声鲁棒性与高频信息保留的创新解决方案。

　　

在金融投资、能源管理和智慧交通等领域，长期时间序列预测(LTSF)的准确性直接影响决策质量。然而现实中的时序数据如同被噪声干扰的无线电波——传统方法如FITS模型简单剔除高频成分，虽抑制噪声却丢失了蕴含短期规律的宝贵信号；而Transformer架构虽擅长捕捉长程依赖，却存在噪声敏感、小数据过拟合的缺陷。这种"去噪与保真"的两难困境，促使研究者重新审视经典信号处理技术与神经网络的融合可能。

新疆大学计算机科学与技术学院的Zhiwei Zhang等人在《Neurocomputing》发表的研究，创新性地将多分辨率分析思想引入深度学习框架。团队通过构建增强谱去噪模块(ESD)，首次实现FFT与多基小波DWT的协同去噪——就像同时使用显微镜和望远镜观察时序信号，既能把握全局频域特征，又能定位局部细节波动。针对LSTM在长程建模中的梯度问题，设计的ELSTM模块引入指数门控机制，其平滑更新特性显著提升了模型对复杂时序模式的表达能力。

关键技术包括：1)基于ETT电力温度、气象等7个跨领域数据集的benchmark验证；2)多小波基自适应分解算法，对趋势项与季节项实施差异化去噪；3)融合CNN的ELSTM架构，通过候选记忆单元增强长期记忆；4)512步长预测压力测试。研究结果显示，在ETTh1数据集上，ESD模块使MSE降低0.376，证明其有效分离噪声与有效高频信号；ELSTM在Weather数据集96步预测中较传统LSTM误差下降19%，验证指数门控的优越性。

模块化创新解析
增强谱去噪(ESD)：通过实验对比发现，使用db4小波基处理季节分量、sym5小波基处理趋势分量的组合，在ETTm2数据集上取得最优效果。这种"分而治之"策略避免了传统FFT的全局滤波缺陷。

ELSTM架构：引入的候选记忆模块采用卷积核提取局部特征，与LSTM的循环机制形成互补。消融实验表明，该设计使模型在512步长预测时仍保持稳定，突破传统RNN的梯度衰减瓶颈。

挑战与突破
研究同时揭示出有趣现象：在通道相关性高的ECL数据集上，当前通道独立建模方式表现平平。这提示未来可能通过引入交叉通道注意力机制进一步提升性能，如同在交响乐中既听清单簧管旋律又把握乐器间和声。

这项工作的核心价值在于：1)首次论证多小波分解在时序预测去噪中的普适优势；2)为RNN架构在LTSF领域的复兴提供实证支持；3)开源的模块化设计可灵活集成于现有预测管道。正如作者指出，当处理秒级采样的工业传感器数据时，MWENet对高频瞬态特征的保留能力将展现更大潜力，为物联网时代的实时决策提供新范式。