基于多尺度特征融合的时间序列长期预测模型

• 全文链接
• 请求原文

作   者：

刘文博;  于连飞;  谢冬梅;  蔡闯;  曲志坚;  任崇广; 

作者机构：

山东理工大学计算机科学与技术学院; 

关键词：

深度学习;  多特征融合;  非平稳性;  长期预测;  序列分解; 

期刊名称：

计算机应用

i s s n：

1001-9081

年卷期：

2024 年 44 卷 011 期

页   码：

3435-3441

摘   要：

长期时间序列预测在多个领域中具有广泛的应用需求。但是，时间序列的长期预测过程中表现出的非平稳性问题是影响预测准确性的关键因素。为了提高时间序列长期预测精度，以及预测模型的普适性，构建了基于序列分解的多尺度融合注意力神经网络预测网络（MSDFAN）模型。该模型采用时间序列分解提取输入数据中的季节成分和趋势成分，对不同数据成分进行不同的预测建模，能够对具有多尺度稳定特征的非平稳时间成分进行建模和预测。实验结果表明，与FEDformer相比，MSDFAN在5个基准数据集上的预测结果的均方误差（MSE）和平均绝对误差（MAE）分别平均下降了12.95%和8.49%,MSDFAN模型在多变量时间序列上取得了更好的预测精度。