简单线性模型的时间序列预测质量通常超过Transformer等深度模型;而在具有大量通道的数据集上,深度模型尤其是多层感知器(MLP)的性能反而可超过简单线性模型。针对简单线性模型和MLP在时间序列预测中的误差功率谱差异,提出一种基于MLP...简单线性模型的时间序列预测质量通常超过Transformer等深度模型;而在具有大量通道的数据集上,深度模型尤其是多层感知器(MLP)的性能反而可超过简单线性模型。针对简单线性模型和MLP在时间序列预测中的误差功率谱差异,提出一种基于MLP的高频增强型时间序列预测模型HiFNet(High-Frequency Network)。首先,利用MLP在低频段的拟合能力;其次,通过自适应序列分解(ASD)模块及分组线性层解决MLP高频段易过拟合以及通道独立策略不能有效应对通道冗余的问题,从而增强MLP在高频段的鲁棒性;最后,对HiFNet在气象、电力和交通等领域的标准数据集上进行实验。结果表明:HiFNet的均方误差(MSE)在最佳情况下相较于NLinear、RLinear、SegRNN(Segment Recurrent Neural Network)和PatchTST(Patch Time Series Transformer)分别降低了23.6%、10.0%、35.1%和6.5%,而分组线性层通过学习通道相关性的低秩表达减轻了通道冗余的影响。展开更多
铷钟是一种原子频标,是目前时频系统中应用广泛的一种高配置的时钟源,受限于其物理特性,其输出频率准确度和稳定度对温度较为敏感,会因为外界温度变化导致守时性能变差。通过高精度温度测量、基于精密单点定位(Precise Point Positionin...铷钟是一种原子频标,是目前时频系统中应用广泛的一种高配置的时钟源,受限于其物理特性,其输出频率准确度和稳定度对温度较为敏感,会因为外界温度变化导致守时性能变差。通过高精度温度测量、基于精密单点定位(Precise Point Positioning, PPP)+时钟内插/时间数字转换器(Time-to-Digital Converter, TDC)+精密钟差处理相结合的精确铷钟频率调整量计算、铷钟温度特性最小二乘线性拟合3种技术手段相结合的方式,设计了一种变温环境下高精度铷钟温度特性自动标定及补偿方法和实物系统,实现精细化铷钟频率调整及温度特性标定,并根据精确标定的铷钟温度特性对工作在不同温度环境下的铷钟进行自适应的高精度频率补偿,极大地提高了铷钟在温度变化环境中的频率准确度和守时精度,可广泛适用于内含铷钟的各类授时、守时终端及系统,提供高质量的时频服务。通过试验,验证了该方法的可行性和有效性。展开更多
文摘简单线性模型的时间序列预测质量通常超过Transformer等深度模型;而在具有大量通道的数据集上,深度模型尤其是多层感知器(MLP)的性能反而可超过简单线性模型。针对简单线性模型和MLP在时间序列预测中的误差功率谱差异,提出一种基于MLP的高频增强型时间序列预测模型HiFNet(High-Frequency Network)。首先,利用MLP在低频段的拟合能力;其次,通过自适应序列分解(ASD)模块及分组线性层解决MLP高频段易过拟合以及通道独立策略不能有效应对通道冗余的问题,从而增强MLP在高频段的鲁棒性;最后,对HiFNet在气象、电力和交通等领域的标准数据集上进行实验。结果表明:HiFNet的均方误差(MSE)在最佳情况下相较于NLinear、RLinear、SegRNN(Segment Recurrent Neural Network)和PatchTST(Patch Time Series Transformer)分别降低了23.6%、10.0%、35.1%和6.5%,而分组线性层通过学习通道相关性的低秩表达减轻了通道冗余的影响。
