基于多尺度特征融合与双注意力机制的多元时间序列预测

摘要：

多元时间序列的各子序列包含不同时间跨度的多尺度特征,现有时间序列预测模型不能有效地捕获多尺度特征以及评估其重要程度.提出一种基于多尺度时序特征融合与双注意力机制的多元时间序列预测网络FFANet,有效融合多尺度特征并关注其中重要部分.通过多尺度时序特征融合模块中并行的时序膨胀卷积层,使模型具有多种感受域,从而提取时序数据在不同尺度上的特征,并根据重要性对其进行自适应融合.利用双注意力模块对融合的时序特征进行重新标定,通过分配时序和通道注意力权重并加权至对应的时序特征,使FFANet聚焦对预测有重要贡献的特征.实验结果表明,相比AR、VARMLP、RNN-GRU、LSTNet-skip、TPA-LSTM、MTGNN和AttnAR时间序列预测模型,FFANet在Traffic、Solar Energy和Electricity数据集上的RRSE预测误差分别平均降低0.1523、0.1200、0.0743、0.0354、0.0215、0.0121、0.0200.

关键词：多元时间序列预测、卷积神经网络、多尺度特征、特征融合、注意力机制

所属期刊栏目：49

分类号：TP273(自动化技术及设备)

资助基金：山东省自然科学基金面上项目;山东省自然科学基金面上项目;潍坊学院博士科研启动基金

在线出版日期：2023-09-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：99-108