摘要: 针对现有的研究大多都将短序列时间序列预测和长序列时间序列预测分开研究而导致模型在较短的长序列时序预测精度较差的问题,提出了一种较短的长序列时间序列预测模型(SLTSFM)。首先,利用卷积神经网络(CNN)和新的PBUSM(Probsparse Based on Uniform Selection Mechanism)自注意力机制搭建了一个序列到序列结构(S2S),该结构用于提取长序列输入的特征。然后,新设计 的“远轻近重”策略将多个短序列输入特征提取能力较强的长短时记忆(LSTM)模块提取的各时段数据特征进行重分配。最后,将重分配完的特征对提取到的长序列输入特征进行增强,提高预测精度,并实现时序预测。利用四个公开的时间序列数据集验证模型的有效性。实验结果表明,与表现最优的对比模型循环门单元(GRU)相比,SLTSFM的平均绝对误差(MAE)指标在四个数据集上的单变量时序预测分别减小了61.54%,13.48%,0.92%和19.58%,多变量时序预测分别减小了17.01%,18.13%,3.24%和6.73%。由此可见,模型在提升较短的长序列时序预测精度方面十分有效。
中图分类号: