基于双重时间依赖的多元长时间序列预测模型

来源：电子测量技术杂志2025年第22期北京时间：

作者：衡红军，周晨晓

单位：中国民航大学计算机科学与技术学院 天津 300300

摘要：考虑到时间序列数据因其复杂的长短期模式和多周期特征，为预测带来了独特的挑战。传统的固定尺度分片方法难以有效捕捉多周期信息，同时周期性和趋势性变化进一步增加了建模难度，影响了预测精度和可解释性。基于上述问题，本文提出了基于双重时间依赖学习的多周期模型MDTDNet。该模型首先通过傅里叶变换自适应获取多周期信息；然后对于每个周期，结合季节趋势增强模块，通过周期分片设计、频域季节性增强和时域趋势性增强，提升了子序列的语义表达；引入双重时间依赖模块，通过长期变化提取器和局部波动提取器，分别捕捉分片间和分片内的不同时间依赖模式，实现特征提取和融合；实验结果表明，在六个数据集中的模型实验效果均超越了当前的最优模型PatchTST，在ETTh1数据集上均方误差（MSE）平均下降了9%，最高下降了10.14%。

关键词：时间序列预测;多周期;季节趋势增强;双重时间依赖

基金资助：国家自然科学民航联合研究基金（U2333204）项目资助