基于DFT的频率敏感双分支多变量长时间序列预测方法

作者：任烈弘; 黄铝文^*; 田旭; 段飞

来源：计算机应用, 2023, 1-10.

• 离散傅里叶变换
• 频率敏感
• 时间序列预测
• 序列分解
• Transformer
• 周期性增强注意力

在进行多变量长时间序列预测时，仅利用时域分析往往无法充分捕捉长时间序列依赖，会导致信息利用率不足、预测精度不够高。因此，结合频域时域分析，提出一种基于离散傅里叶变换的频率敏感双分支多元长时间序列预测（FSDformer）模型。通过离散傅里叶变换(DFT)实现“时-频-时”相互转换，将复杂的时间序列数据分解为结构简单的低频趋势项、中频季节项和高频余项等三个分量；针对中高频分量预测，应用Encoder-Decoder结构，设计了周期性增强注意力机制；针对低频趋势分量预测，采用多层感知机(MLP)结构，最后将中高频分量与低频分量预测结果相加。在2个数据集上与其他5个经典算法进行了对比分析，实验结果表明，在时间序列数据输入窗口为96，输出窗口为336个单位时，平均绝对误差(MAE)分别降低了41.2%、55.5%，达到了最优预测精度。所提模型能有效捕捉长时间序列的相关依赖，在提升预测精度和计算效率的同时，增强了模型预测的稳定性。

• 单位
  西北农林科技大学