基于分解和频域特征提取的多变量长时间序列预测模型

来源：计算机应用杂志2024年第11期北京时间：

作者：范艺扬, 张洋, 曾尚, 曾渝, 付茂栗

单位：1.中国科学院 成都计算机应用研究所，成都 610213；2.中国科学院大学 计算机科学与技术学院，北京 100049；3.深圳市中钞科信金融科技有限公司，广东 深圳 518206

摘要：针对现有基于Transformer的多变量长时间序列预测（MLTSF）模型主要从时域中提取特征，难以直接从长时间序列分散的时间点中找出可靠依赖关系的问题，提出一种新的基于分解和频域特征提取的模型。首先，提出基于频域的周期项-趋势项的分解方法，以降低分解过程的时间复杂度；其次，在利用周期项-趋势项分解提取序列趋势性特征的基础上，利用基于Gabor变换进行频域特征提取的Transformer网络捕捉周期性的依赖，提高预测的稳定性和鲁棒性。在5个基准数据集上的实验结果显示，与现有的先进方法相比，所提模型在MLTSF上的均方误差（MSE）平均减小了7.6%，最多减小了18.9%，有效提升了预测精度。

关键词：多变量长时间序列预测,频域特征提取,Gabor变换,Transformer,时间序列,深度学习

基金资助：四川省科技计划项目(2023YFG0113)