门控驱动的时间与变量信息融合的时间序列预测方法

摘要

现有的时间序列预测模型在特征提取过程中忽视了原始数据所蕴含的变量信息与时间信息的有效融合，这将导致原始数据的信息无法被充分利用.本文提出了门控驱动的时间与变量信息融合的时间序列预测模型（GFTV），该模型结合趋势季节分解技术，使用Transformer架构提取原始数据的跨时间特征和跨变量特征，利用一种基于门控单元的门控融合机制将跨时间特征和跨变量特征融合，提高模型对数据信息的获取能力.该模型在ETTh1和Weather数据集上均实现了最优的性能，消融实验验证了GFTV所包含模块的有效性，为时间序列预测领域提供了动态融合时间信息与变量信息的新思路.

关键词

时间序列预测 / 门控融合 / Transformer / 跨时间特征 / 跨变量特征 / 特征融合 / 趋势季节分解