论文题目：FilterNet: Harnessing Frequency Filters for Time Series Forecasting
Paper Link：https://arxiv.org/abs/2411.01623
Code Repository：https://github.com/aikunyi/FilterNet
本篇论文的工作已被NeurlPS（Conference on Neural Information Processing Systems）2024 会议接收。本文作者主要来自国家信息中心、牛津大学、北京理工大学、同济大学、中国科学技术大学等。本文的主要作者也是NeurIPS 2023 FreTS和FourierGNN的作者。
时间序列数据广泛应用于各个领域，其精准的预测在能源、气象、医疗等应用中发挥着至关重要的作用。现有研究在不同网络架构的预测模型上进行了广泛探索，然而各种基于Transformer的模型仍然很受欢迎。像Transformer这样复杂的网络架构对时间序列预测真的有必要吗？
他们发现目前这些先进的基于Transformer的时序预测模型，如iTransformer，仍然有对高频信号的响应较弱从而导致全频段信息利用受限、计算效率低下等问题，而这些问题恰恰是实现准确预测的基础。因此，他们从信号处理的视角入手，基于他们设计的可学习的频率滤波器，提出了一个极简的时间序列预测模型FilterNet去完成时间序列预测任务。
