一个重要的注意事项：由于您在谈论频域，因此暗示整个 DFT 频谱都是可用的，因此估计用于平滑而不是未来预测。

如果信号是平稳的，则可以应用维纳滤波器，生成的模型是 FIR 滤波器；在这种情况下，时域中的信号估计将与频域中的相同。

来自wiki： Wiener 的主要成就是解决了因果关系要求有效的情况，并且在 Wiener 的书 Levinson 的附录中给出了 FIR 解决方案。

使用反卷积的维纳滤波器去除噪声称为维纳反卷积。这适用于频域。并且在图像反卷积中得到了很好的应用。

我不知道卡尔曼滤波器是否有可能用于给定频域数据（假设 DFT）的公式，因为通常的实现实际上是逐个样本迭代。但是卡尔曼平滑方法可能可以做类似的事情。

由于不确定性原理，使用频域和时域对彼此进行近期预测是有问题的。这意味着您越想了解光谱，您必须收集的样本就越多。这会延迟您的预测，降低其有用性。

我要问的第一个问题是“我的时间序列开始时的可预测性如何？” 为了了解我的预测算法的执行情况并决定何时停止。这个问题可以通过估计熵率来回答。

要记住的另一件事是，时间序列完全以其联合分布为特征。转换无法改善这一点，但在您使用粗略模型（例如，忽略高阶依赖项）时会有所帮助。

另请参阅使用傅立叶分析进行时间序列预测