【摘要】 时间序列预测一直以来在多个领域内有重要应用，如工业监控、能源分析等，尤其是准确的中长期的序列预测，相比于短期预测所能提供的信息量更大、指导性更强。但现实的应用场景受到多种因素影响，准确的进行中长期预测一直以来都面临很多困难。近些年，对于中长期序列预测的研究借助于深度学习方法从大规模数据中挖掘规律，取得了不错的预测性能，但目前的研究大多忽视了频域的重要性。频域作为时间序列的重要特征之一，它包含了序列的周期、趋势等重要信息。因此，提出了一种基于频域分解的Transformer方法，对原始序列不同的频率分量进行分解，使用多头自注意力机制分别处理分解后的频率特征，再使用Transformer结构作为特征提取器，在频域的角度进行中长期的时间序列预测。通过在3组公开的真实数据集上进行实验，与4个最具代表性的中长期预测算法进行了对比，在多组衡量指标中均取得了最优性能，验证了所提出方法的有效性。此外，通过实验讨论了不同频率分量对于模型的影响，对频率分解的依据做了实验验证。更多还原