科研動(dòng)態(tài)
基于特征選擇和分層卷積機(jī)制的時(shí)間序列預(yù)測(cè)模型
中文題目：基于特征選擇和分層卷積機(jī)制的時(shí)間序列預(yù)測(cè)模型
論文題目：FSLC: Feature Selection and Layered Convolution for Long-Term Time Series Forecasting
錄用期刊/會(huì)議：CCC2025 （CAA A類(lèi)會(huì)議）
錄用時(shí)間：2025.4.2
1)夏蘇勇 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 控制工程 研23級(jí)
2)劉建偉 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 自動(dòng)化系 教師
摘要:
長(zhǎng)期時(shí)間序列預(yù)測(cè)（LTSF）在多個(gè)領(lǐng)域具有廣泛的應(yīng)用，但準(zhǔn)確捕捉長(zhǎng)時(shí)間依賴(lài)關(guān)系和動(dòng)態(tài)特征的重要性依然是一個(gè)關(guān)鍵挑戰(zhàn)。為此，本文提出了一種新穎的模型架構(gòu)——FSLC，通過(guò)特征選擇網(wǎng)絡(luò)（FSN）和分層卷積機(jī)制（LCM）協(xié)同工作，提升預(yù)測(cè)性能。具體來(lái)說(shuō)，F(xiàn)SN利用動(dòng)態(tài)變量選擇機(jī)制，有效篩選出對(duì)預(yù)測(cè)最關(guān)鍵的特征，增強(qiáng)了模型的魯棒性與可解釋性。LCM結(jié)合深度卷積和點(diǎn)狀卷積的優(yōu)勢(shì)，從不同尺度捕獲時(shí)間序列中的線(xiàn)性與非線(xiàn)性模式。此外，我們?cè)O(shè)計(jì)了雙預(yù)測(cè)頭機(jī)制，通過(guò)分解與聚合的思想分別處理線(xiàn)性趨勢(shì)和非線(xiàn)性細(xì)節(jié)，提高預(yù)測(cè)的精度與泛化能力。我們?cè)?個(gè)真實(shí)世界數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，F(xiàn)SLC達(dá)到了最佳的性能，在MSE和MAE方面分別比最佳基線(xiàn)平均提升4.92%和4.19%。
背景與動(dòng)機(jī):
長(zhǎng)期時(shí)間序列預(yù)測(cè) (LTSF) 在能源管理、交通流量預(yù)測(cè)和金融市場(chǎng)等領(lǐng)域至關(guān)重要。然而，現(xiàn)有模型在準(zhǔn)確捕捉長(zhǎng)時(shí)間依賴(lài)關(guān)系和動(dòng)態(tài)特征上依然面臨困難：CNN 模型雖擅長(zhǎng)提取局部特征，但難以有效捕獲全局依賴(lài)關(guān)系，而 Transformer 這些模型往往需要消耗大量的計(jì)算資源，導(dǎo)致在實(shí)際應(yīng)用中的效率問(wèn)題。此外，動(dòng)態(tài)選擇機(jī)制對(duì)于預(yù)測(cè)的效率提升也有待優(yōu)化。
主要內(nèi)容:
本文提出了 FSLC 模型，從兩個(gè)方面進(jìn)行創(chuàng)新。FSN通過(guò)動(dòng)態(tài)選擇關(guān)鍵變量來(lái)有效抑制冗余特征和噪聲的影響，確保模型能夠始終關(guān)注最具預(yù)測(cè)力的特征。其次，LCM通過(guò)結(jié)合深度卷積和點(diǎn)狀卷積的優(yōu)勢(shì)，能夠同時(shí)捕捉時(shí)間序列中的局部模式和全局依賴(lài)。實(shí)驗(yàn)表明，在7個(gè)常用的時(shí)間序列數(shù)據(jù)集上驗(yàn)證了FSLC的性能，F(xiàn)SLC 相較于現(xiàn)有模型顯著降低了 MSE 和 MAE，并展示了更高的預(yù)測(cè)準(zhǔn)確性和訓(xùn)練效率。這一研究為時(shí)間序列預(yù)測(cè)提供了新的思路和解決方案。
圖1 FSLC的總體框架
結(jié)論:
本文提出了一種新穎的時(shí)間序列預(yù)測(cè)模型——FSLC，通過(guò)特征選擇網(wǎng)絡(luò)（FSN）與分層卷積機(jī)制（LCM）的協(xié)同作用，在長(zhǎng)時(shí)間序列預(yù)測(cè)任務(wù)中實(shí)現(xiàn)了顯著性能提升。其中FSN通過(guò)動(dòng)態(tài)篩選和權(quán)重分配機(jī)制，增強(qiáng)了模型對(duì)關(guān)鍵特征的感知能力。分層卷積機(jī)制則結(jié)合深度卷積和點(diǎn)狀卷積的優(yōu)點(diǎn)，以更低的計(jì)算成本捕捉復(fù)雜的時(shí)間依賴(lài)關(guān)系。此外，模型設(shè)計(jì)中引入的雙頭預(yù)測(cè)機(jī)制進(jìn)一步平衡了線(xiàn)性趨勢(shì)和非線(xiàn)性變化的預(yù)測(cè)精度，從實(shí)際應(yīng)用的角度來(lái)看，在能源管理、交通流量預(yù)測(cè)等領(lǐng)域，F(xiàn)SLC能夠高效地處理和預(yù)測(cè)包含長(zhǎng)時(shí)間依賴(lài)的多維數(shù)據(jù)，提供更為精準(zhǔn)的決策支持。
作者簡(jiǎn)介:
劉建偉，教師。