Resumen: La previsión precisa de series de tiempo a largo plazo (LTSF) requiere la captura de dependencias complejas de largo plazo y patrones periódicos dinámicos. Los avances recientes en el análisis en el dominio de la frecuencia ofrecen una perspectiva global para descubrir características temporales. Sin embargo, las series de tiempo del mundo real a menudo exhiben una pronunciada heterogeneidad entre dominios donde las variables que parecen sincronizadas en el dominio del tiempo pueden diferir sustancialmente en el dominio de la frecuencia. Los métodos LTSF existentes basados en frecuencia a menudo se basan en suposiciones implícitas de homogeneidad entre dominios, lo que limita su capacidad para adaptarse a una variabilidad tan intrincada. Para integrar eficazmente el análisis en el dominio de la frecuencia con el aprendizaje de la dependencia temporal, proponemos AdaMamba, un marco novedoso que endogeniza el análisis de frecuencia adaptativo y consciente del contexto dentro del proceso de actualización del espacio de estados de Mamba. Específicamente, AdaMamba presenta un módulo de codificación de parches interactivo para capturar la dinámica de interacción entre variables. Luego, desarrollamos un módulo de espacio de estados adaptativo regulado por frecuencia que genera bases de frecuencia dependientes de la entrada y generaliza la puerta de olvido temporal convencional en una puerta de olvido unificada de tiempo-frecuencia. Esto permite la calibración dinámica de las transiciones de estado en función de la importancia aprendida del dominio de frecuencia, al tiempo que preserva la capacidad de Mamba para modelar dependencias de largo alcance. Amplios experimentos en siete puntos de referencia públicos de LTSF y dos conjuntos de datos de dominios específicos demuestran que AdaMamba supera consistentemente a los métodos de última generación en precisión de pronóstico mientras mantiene una eficiencia computacional competitiva. El código de Adamamamba está disponible en esta URL https.
Publicado originalmente en export.arxiv.org el 27 de abril de 2026.
Ver fuente original
