En este artículo, proponemos un nuevo marco, FLDmamba, para abordar los desafíos de la predicción de series temporales a largo plazo (no estacionariedad, periodicidad multiescala y dinámica transitoria). Para superar la complejidad computacional de los modelos existentes basados en Transformers y la dificultad de capturar la periodicidad multiescala y la dinámica transitoria de Mamba, basado en el Modelo de Espacio de Estados, así como su vulnerabilidad al ruido, capturamos eficazmente la periodicidad multiescala y la dinámica transitoria y mejoramos la robustez al ruido mediante el uso de la transformada de Fourier y la transformada de Laplace. Los resultados experimentales muestran que FLDmamba supera a los modelos existentes basados en Transformers y Mamba. El código y los datos están disponibles públicamente.
