使用通道融合和序列平稳化策略的长期时间序列预测方法

摘要

长期时间序列预测在现实场景中扮演重要角色.先前的研究表明，基于Transformers的模型采用的逐点自注意力会增加计算复杂度，而基于线性结构和通道独立的模型可以获得更高的效率和准确性.然而，长期时间模式在不同通道之间也存在难以抽取的依赖关系.为了解决计算复杂度高和复杂时间模式难以捕捉的问题，该文提出了通道融合和序列平稳化模型，模型结合了通道独立与通道依赖的训练策略，基于线性结构发掘序列单个通道的相关性，并使用由傅里叶运算启发的卷积结构来自适应地融合不同的通道.同时，通过堆叠序列通道融合-分解模块，进一步提高模型的预测性能.此外，该文在子序列级别引入了平稳化与反平稳化模块，从而提高了模型的泛化能力.在长期预测方面，所提模型在3个通用时序数据集上的准确度超越了其他基准模型.

关键词

时间序列预测 / 线性模型 / 周期分解 / 通道融合卷积 / 平稳化