基于时域融合Transformers的可解释预测模型及其应用研究

• 全文链接
• 请求原文

作   者：

陈孝文;  苏攀;  李夏青;  张俊;  王林; 

作者机构：

湖北省社会科学院经济研究所;  华中科技大学管理学院;  湖北中烟工业有限责任公司; 

关键词：

时间序列预测;  可解释神经网络;  时域融合Transformers;  变分模态分解;  深度学习;  白卡纸价格; 

期刊名称：

武汉理工大学学报(信息与管理工程版)

i s s n：

2095-3852

年卷期：

2022 年 44 卷 002 期

页   码：

307-313

摘   要：

为提高时间序列模型预测的准确性及可解释能力,提出了变分模态分解(variational mode decom-position,VMD)和时域融合变换器(temporal fusion transformers,TFT)相结合的高效可解释预测模型,通过VMD将原始数据分解为多个模态,充分挖掘原始数据特征,将分解结果输入到TFT预测模型中,得出可解释性的预测结果.TFT是一种新的基于注意力的深度学习模型,将高性能的多水平预测和对时间动态的可解释见解结合在一起.以白卡纸价格为研究对象,证明了所设计模型的有效性.TFT的可解释输出包括分解的白卡纸价格子序列的重要性排序,所提出的白卡纸的可解释预测方法可为从业者的相关决策提供有力的支撑.