融合分解与转置策略的多变量时间序列预测模型

摘要

时间序列预测是一项重要的数据分析技术，在交通、经济、气候等领域有广泛的应用，可以辅助资源合理分配、重大风险决策以及规划未来走向.近年来，随着机器学习和深度学习方法的发展，多变量时间序列预测问题受到广泛关注，然而，现有多变量时间序列预测方法无法同时捕捉复杂的时序间和变量间的依赖关系.提出一种融合转置嵌入方法与时间序列分解的时间序列预测模型DItrans.首先，针对时间序列进行趋势项、周期项和残差项分解，并在此基础上，分别执行转置嵌入，利用不同的编码器结构来学习表征.转置嵌入方法使DItrans模型可以更好地获取多变量之间的相关性，而趋势项、周期项和残差项的分解有助于捕获邻近时间点的信息.同时，DItrans模型引入一种新的编码器结构，其结构更灵活，使模型能够捕获更复杂的时间序列特征.在三个真实数据集上对提出的模型进行了性能评估.实验结果表明，DItrans模型的均方误差和平均绝对误差均取得了最佳效果，和对比算法相比，其均方误差下降了1.71%～79.28%，平均绝对误差下降了0.72%～57.52%.

关键词

时间序列预测 / 多变量时间序列 / 深度学习 / 时间序列分解

基金资助

安徽省自然科学基金（2408085QF193）; 中央高校基本科研基金（WK2150110032）