面向长期时间序列预测的分层时频表征学习

基于摘要分析。本文研究长期时间序列预测中长期趋势难以维持、时域与频域依赖关系未被充分联合建模的问题，提出基于 Transformer 的分层时频表征架构 TFformer。其主要研究对象是通用时间序列预测，并非 EEG 解码或 BCI。 方法包含两个核心机制：频谱分解用于分离长期模式与短期波动；序列聚合则按层级整合两类具有不同能量强度的特征。摘要未说明频谱分解算法、能量类别划分规则、聚合算子及训练损失，因此尚不能判断各模块如何交互及其独立贡献。 作者报告，在六个真实世界数据集的长期预测实验中，相对频域基线 FreTS，TFformer 的 MSE 平均改善 16.54%；相对时域基线 iTransformer，MSE 平均改善 5.91%。摘要未列出数据集名称、预测跨度、数据划分、基线配置及平均值计算方式，这两项相对改善不宜脱离各自对照背景直接比较。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。 平台推测（待验证）：若 EEG 预测任务中的慢变成分与短时波动可以被有效区分，频谱分解和分层聚合可能提供可检验的建模思路；这不等于已证实其具有 EEG 解码价值。可复用部分是分解与聚合机制，需改造部分包括多通道输入组织、采样率和频带适配。其有效性可能依赖足够的历史观测长度与训练数据规模；EEG 的低信噪比、强伪迹、高能量但低任务相关成分，以及跨被试频谱差异都可能导致失效。一个小规模验证是假设固定 EEG 被试内预测任务、按时间顺序划分数据，在相同输入长度与预测跨度下比较 TFformer、FreTS、iTransformer，并核对移除分解或聚合后的 MSE 变化；该实验仅检验信号预测能力，不代表 BCI 性能提升。已有 EEG 相关工作尚未检索确认。