基于多尺度门控膨胀卷积网络的时间序列预测算法

作者：曾渝; 张洋; 曾尚; 付茂栗; 何启学; 曾林隆

来源：计算机应用, 2024, 44(11): 3427-3434.

• 时间序列预测
• 序列分解
• 膨胀卷积
• 编码器
• 解码器
• 注意力机制

针对当前时间序列预测任务存在的高维特征、大规模数据以及对预测准确性高要求等问题，提出一种基于多尺度趋势-周期分解的多头门控膨胀卷积网络模型。该模型采用多尺度分解方法，将原始协变量序列和预测变量序列分解为各自的周期项和趋势项，从而实现独立的预测。对于周期项，引入多头门控膨胀卷积网络的编码器，以提取各自的周期信息；在解码器阶段，使用交叉注意力机制进行通道信息的交互融合，并将预测变量的周期信息采样对齐后通过时间注意力与通道融合信息进行周期预测。对趋势项则采用自回归方式进行趋势预测。最后将趋势预测与周期预测的结果相加得到预测序列。与长短期记忆（LSTM）、Informer等多个主流基准模型进行比较，所提模型在ETTm1、ETTh1等5个数据集上的均方误差（MSE）平均下降了19.2%～52.8%，平均绝对误差（MAE）平均下降了12.1%～33.8%。通过消融实验验证了所提出的多尺度分解模块、多头门控膨胀卷积以及时间注意力模块能提升时序预测的准确度。

• 单位
  深圳市中钞科信金融科技有限公司; 中国科学院成都计算机应用研究所; 中国科学院大学