多尺度预测提升41%
同时提取时频特征并对不同长度序列块进行建模，缓解特征错位并提升预测精度。
Xinyu, Bi · Chen, Chen · 陈程 · 吕小毅 · Junyu, Zhu · 马洪兵 · Zuo, Enguang
Pattern Recognition 2026
多分辨率处理块在时频域协同提取互补特征，从源头缓解了特征错位，而不是事后对齐。
同时对不同长度的序列块建模，既保留高分辨率又捕获多粒度时间特征，单尺度方法做不到这一点。
基于MLP的多阶段特征融合模块显式建模变量间和变量内依赖，自适应融合异质特征。
在十个基准数据集上，性能提升相对于现有技术最高达41.43%，证明模型能挖掘更深层次的时间模式。