本文强调，传统神经网络难以捕捉复杂信号的频谱结构，尤其难以捕捉那些近似周期但频率非共振的真实信号。先前研究表明，ARIMA 模型在时间序列预测方面优于大规模语言模型。基于此，本文将神经网络预测模型与 ARIMA 模型进行比较，并证实了 ARIMA 模型的优越性。因此，我们提出了一个新模型——自回归权重增强型柯尔莫哥洛夫-阿诺德网络 (AR-KAN)，该模型集成了一个用于时间记忆的预训练 AR 模块和一个用于非线性表征的 KAN 模块。AR 模块在保留基本时间特征的同时，减少了冗余。实验结果表明，AR-KAN 在近似周期函数方面的表现与 ARIMA 相似，并在 72% 的 Rdatasets 时间序列数据上取得了最佳效果，尤其在具有周期性结构的数据方面表现出显著的优势。这表明 AR-KAN 是一个稳健有效的时间序列预测框架。
