基于多尺度特征融合与双注意力的多维时间序列预测

作者：韩璐; 霍纬纲; 张永会; 刘涛

来源：计算机工程, 2022, 1-10.

DOI：10.19678/j.issn.1000-3428.0065846

• 多维时间序列预测
• 卷积神经网络
• 多尺度特征
• 特征融合
• 注意力机制

多维时间序列（Multivariate Time Series，MTS）的各子序列包含不同时间跨度的多尺度特征，其中蕴含着发展过程、方向和趋势等信息，对预测具有不同的重要程度。然而现有的时间序列预测模型不能有效地捕获多尺度特征并评估其重要程度。针对上述问题，提出一种基于多尺度时序特征融合与双注意力机制的多维时间序列预测网络FFANet（multi-scale temporal Feature Fusion and dual Attention mechanism based time series forecasting Network），能够有效融合多尺度特征并关注其中重要部分，实现更精确的预测结果。首先，多尺度时序特征融合模块中并行的时序膨胀卷积层使模型具有多种感受域，从而提取时序数据在不同尺度上的特征，并根据重要性对其进行自适应融合。其次，双注意力模块对融合的时序特征进行重新标定，通过分配时序和通道注意力权重并加权至对应的时序特征，使FFANet聚焦对预测有重要贡献的特征。实验结果表明，本文提出的FFANet与AR、VARMLP、RNN-GRU、LSTNet-skip、TPA-LSTM、MTGNN和AttnAR时间序列预测模型相比，在Traffic、Solar Energy和Electricity数据集上的预测精度分别提升了30.78、31.76、22.81、11.25、7.51、3.80、1.88个百分点。

• 单位
  中国民航大学; 潍坊学院