Modeling Trend and Seasonality in Contrastive Learning for Time-Series Forecasting

作者
Cheng-Ru Chou,Yen-Ching Lu,Pei-Xuan Li,Hsun-Ping Hsieh
出处
期刊:Applied sciences [Multidisciplinary Digital Publishing Institute]
卷期号:16 (5): 2521-2521 被引量:1
标识
DOI:10.3390/app16052521
摘要

Self-supervised contrastive learning has recently shown promise for time-series representation learning, yet most existing methods treat sequences holistically and leave trend and seasonal components entangled, limiting their effectiveness for long-horizon multivariate forecasting. We study decomposition-aware representation learning for time-series forecasting without negative pairs. We propose the Trend-Season Contrastive Learner (TSCL), a Siamese framework that decomposes each series into trend, seasonality, and residual components, encodes trend and seasonality with dedicated encoders and a learnable Fourier layer, and optimizes a positive-pair contrastive objective over component-wise representations. Experiments on five public benchmarks (ETTh1, ETTh2, ETTm1, ETTm2, and Weather) show that TSCL consistently improves downstream forecasting across prediction horizons. Averaged over all datasets and horizons, TSCL achieves 0.489 MSE and 0.488 MAE, yielding an about 20–30% lower error than representative contrastive baselines (e.g., SimTS and CoST). Paired t-tests further confirm that the improvements are statistically significant in most settings. These results indicate that decomposition-aware contrastive learning yields robust and generalizable representations for long-horizon forecasting across diverse temporal resolutions.

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
LL路完成签到 ,获得积分10
1秒前
未来完成签到 ,获得积分10
7秒前
星宇完成签到 ,获得积分10
10秒前
星辰大海的应助被Brave采纳,获得10
11秒前
隐形期待完成签到,获得积分10
15秒前
陶醉静竹发布了新的文献求助10
16秒前
zhao完成签到,获得积分10
16秒前
小墨墨完成签到 ,获得积分10
19秒前
锂电说完成签到 ,获得积分10
21秒前
21秒前
独指蜗牛完成签到 ,获得积分10
22秒前
Brave完成签到,获得积分10
23秒前
maclogos完成签到,获得积分10
26秒前
Brave发布了新的文献求助10
26秒前
李希完成签到 ,获得积分10
28秒前
阿俊1212完成签到 ,获得积分10
28秒前
chenpy1990完成签到 ,获得积分10
30秒前
科研菜鸡完成签到 ,获得积分10
30秒前
佳言2009完成签到 ,获得积分10
31秒前
小丽酱完成签到 ,获得积分10
32秒前
zz6532完成签到 ,获得积分10
35秒前
漂亮夏兰完成签到 ,获得积分10
36秒前
旺旺雪饼完成签到 ,获得积分10
36秒前
友好沛槐完成签到,获得积分10
43秒前
50秒前
之昂完成签到 ,获得积分10
51秒前
漂亮忆曼完成签到,获得积分10
53秒前
Flora完成签到 ,获得积分10
55秒前
shg完成签到,获得积分10
57秒前
豆豆发布了新的文献求助10
57秒前
hikc完成签到 ,获得积分10
59秒前
懒猫完成签到,获得积分10
1分钟前
我是老大的应助被科研通管家采纳,获得10
1分钟前
cssc完成签到,获得积分10
1分钟前
彩色从雪完成签到 ,获得积分10
1分钟前
小耳朵完成签到 ,获得积分10
1分钟前
aRuuuu完成签到 ,获得积分10
1分钟前
江水边完成签到 ,获得积分10
1分钟前
仰望星空jiang完成签到,获得积分10
1分钟前
1分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
Social Psychology in the Real World 600
八旗制度の研究 600
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8180068
求助须知:如何正确求助?哪些是违规求助? 9570224
关于积分的说明 21808724
捐赠科研通 7776054
什么是DOI,文献DOI怎么找? 3433261
关于科研通互助平台的介绍 2557425
邀请新用户注册赠送积分活动 2479012