基于深度学习和时序拆解的长期时序预测模型

来源：计算机工程与应用杂志2025年第22期北京时间：

作者：宋晓宝, 邓力玮, 王浩, 张耀安, 陈作胜, 贺钰昕, 曹文明

单位：1.深圳大学 广东省多媒体信息服务工程技术研究中心，广东 深圳 518060；2.深圳大学 射频异质异构集成全国重点实验室，广东 深圳 518060；3.广东省智能信息处理重点实验室，广东 深圳 518060；4.深圳技术大学 城市交通与物流学院，广东 深圳 518118

摘要：近年来，一些研究工作将Transformer及其变体引入一般时序预测任务中，并取得了较为显著的性能提升，但目前这类算法对于长期时序预测任务仍存在计算消耗大、对数据内长期关联关系挖掘能力不足、感受野受限等诸多问题。为应对上述问题，从注意力机制与时序拆解思想入手，提出了一种新的长期时序预测模型DeepTD-LSP（deep temporal decomposition long-term series prediction）。该模型总体上采取编码器-解码器结构。编码器由多个编码层堆叠构成，每个编码层由频率拆解模块、前向传播模块和季节模块构成。频域拆解模块可将输入序列拆分为趋势信息、季节信息和噪声，三者之中季节信息最为复杂，挖掘难度较大，因此该模型中编码器主要负责季节信息的挖掘和编码工作。而解码器由多个解码层堆叠构成，每个解码层由频率拆解模块、前向传播模块、季节模块、季节注意力模块和趋势注意力模块构成。解码器主要负责多类输入信息的提取、融合与预测任务。模型在7个来自真实世界的数据集上进行了测试，实验结果表明DeepTD-LSP模型优于其他长期时序预测模型。

关键词：时序预测,深度学习,时序分解,注意力机制