本文揭示了现有时间序列预测方法忽视标签序列自相关性的问题，并提出了一种基于频域标签训练的新范式——FreDF，通过简单修改损失函数即可显著提升预测精度。
FreDF 使用傅里叶变换将标签序列从时域转换到频域，有效抑制标签间的相关性，使得损失函数更加无偏，从而提高预测性能。
实验结果表明，FreDF 在多个数据集和模型上均表现出显著的性能提升，特别是在 M4 数据集上，FreDF 增强的模型在多个指标上优于基线模型。
本文揭示了现有时间序列预测方法忽视标签序列自相关性的问题，并提出了一种基于频域标签训练的新范式——FreDF，通过简单修改损失函数即可显著提升预测精度。
FreDF 使用傅里叶变换将标签序列从时域转换到频域，有效抑制标签间的相关性，使得损失函数更加无偏，从而提高预测性能。
实验结果表明，FreDF 在多个数据集和模型上均表现出显著的性能提升，特别是在 M4 数据集上，FreDF 增强的模型在多个指标上优于基线模型。
