高效长序列水位预测模型的研究与实现

摘要

序列预测旨在利用历史序列模式信息预测未来长时间跨度的趋势，在工业领域具有众多的实际应用需求。针对工业数据序列预测问题中时序长度较长的特点，提出了一种高效的自注意力机制以适用于长序列数据建模与预测。该模型构建了新的嵌入表示，增加了池化操作，并且使用了生成式推断，实现长距离依赖建模和时序信号预测。相比之前的自注意力模型，该模型有效解决了现有方法在面对长序列预测时存在的预测精度不足、训练耗时过长等问题。在大规模水电站水轮机顶盖水位预测这一实际工业应用场景中，相比其他基准模型，该模型显著提高了长序列水位预测的精度和效率。

关键词

深度学习 / 工业大数据 / 长序列预测 / 神经网络 / 注意力机制

基金资助

国家自然科学基金(62072077,62176043); 国家重点研发计划(2019YFB1406202); 四川省科技计划(2020GFW068,2020ZHCG0058,2021YFQ0007)