融合时域卷积、残差结构和注意力机制的时序预测

作者：孙思宇; 张标标; 吴俊宏; 马仕强; 任佳^*

来源：计算机系统应用, 2021, 30(09): 145-151.

DOI：10.15888/j.cnki.csa.008061

• 时域卷积
• 时间序列
• 注意力机制
• 深度学习
• 医院流水

对于具有长、短期的时间关联性、非线性和非平稳性等特点的时序数据,传统时序预测模型对此类数据的预测效果不佳.为进一步提高时序预测模型的准确率和效率,考虑时域卷积提取时间特征的有效性,以及残差结构加快模型收敛的优越性,同时考虑注意力机制对参数的强化作用,提出了一种融合时域卷积、残差结构和注意力机制的时序预测模型(Attention Temporal Convolutional Neural Network, A-TCNN).首先,通过多层残差时域卷积层提取时序数据的长、短期特征;其次,通过注意力机制加强对输出影响较大的参数的权重;最后,通过一个全连接层得到输出结果.在实际医院流水的数据集上,与常规网络对比,比较多种多步预测策略.实验结果表明,该模型与常规模型相比具有更好的预测精度和效率.

• 单位
  浙江理工大学