时间序列预测在能源管理、交通流量和气象分析等多个实际场景中具有重要应用价值。然而,时间序列数据中存在的分布漂移(Distribution Shift)与长程依赖(Long-term Dependency)仍限制了传统方法与现有深度学习模型在长期预测中的表现。为...时间序列预测在能源管理、交通流量和气象分析等多个实际场景中具有重要应用价值。然而,时间序列数据中存在的分布漂移(Distribution Shift)与长程依赖(Long-term Dependency)仍限制了传统方法与现有深度学习模型在长期预测中的表现。为此,提出了一种名为D-LINet(Dual-Normalization and Linear Integration Network)的创新模型。该模型结合了Dish-TS(Distribution Shift in Time Series Forecasting)框架的分布归一化能力与线性映射的高效性,并采用双向归一化与双线性层的设计,有效缓解输入与输出空间的分布偏移,增强了对周期性与趋势性特征的捕捉能力。在多个真实数据集上对D-LINet的预测性能进行了全面评估。结果显示,在短期与长期预测中,D-LINet的均方误差和平均绝对误差均显著优于主流模型(如Transformer,Informer,Autoformer和DLinear)。此外,实验还探讨了输入窗口长度及先验知识的引入对预测性能的影响,为后续模型优化提供了重要指导。该研究针对复杂分布漂移问题提出了新的解决思路,并有助于提升时间序列预测的精度与稳健性。展开更多
农机备件是农机维修的重要基础,是农机故障及时维修和农业生产正常开展的必要保障,因此,对农机备件需求量的精准预测至关重要。然而,农机备件的需求量具有非平稳性、非线性、多零值、波动大等特点,使得预测任务变得困难。本文提出了一...农机备件是农机维修的重要基础,是农机故障及时维修和农业生产正常开展的必要保障,因此,对农机备件需求量的精准预测至关重要。然而,农机备件的需求量具有非平稳性、非线性、多零值、波动大等特点,使得预测任务变得困难。本文提出了一种基于卷积神经网络的时间序列高效卷积网络(Time series efficient convolution network,TECNet),用于农机备件需求量的预测。该模型首先利用快速傅里叶变换对原始一维序列进行周期性提取,然后根据周期性构建二维时间序列卷积模块进行特征提取,最后将二维特征重塑回一维特征,并通过线性变换得到预测值。利用某农机备件供应商4种不同备件类型的销售数据进行了评估验证,并引入均方根缩放误差作为衡量指标,以统一不同序列间的预测效果。试验结果表明,提出的模型预测效果显著优于其他参考模型,4种不同备件需求量预测的均方根缩放误差分别为0.775、1.349、0.822、0.205,均表现出良好的预测效果。该模型能有效考虑时间序列中的时间依赖关系,具有捕捉时间序列数据中非线性模式的能力,对不同农机备件类型的预测任务均能取得良好的效果,可为预测农机备件需求量提供参考。展开更多
文摘时间序列预测在能源管理、交通流量和气象分析等多个实际场景中具有重要应用价值。然而,时间序列数据中存在的分布漂移(Distribution Shift)与长程依赖(Long-term Dependency)仍限制了传统方法与现有深度学习模型在长期预测中的表现。为此,提出了一种名为D-LINet(Dual-Normalization and Linear Integration Network)的创新模型。该模型结合了Dish-TS(Distribution Shift in Time Series Forecasting)框架的分布归一化能力与线性映射的高效性,并采用双向归一化与双线性层的设计,有效缓解输入与输出空间的分布偏移,增强了对周期性与趋势性特征的捕捉能力。在多个真实数据集上对D-LINet的预测性能进行了全面评估。结果显示,在短期与长期预测中,D-LINet的均方误差和平均绝对误差均显著优于主流模型(如Transformer,Informer,Autoformer和DLinear)。此外,实验还探讨了输入窗口长度及先验知识的引入对预测性能的影响,为后续模型优化提供了重要指导。该研究针对复杂分布漂移问题提出了新的解决思路,并有助于提升时间序列预测的精度与稳健性。
文摘农机备件是农机维修的重要基础,是农机故障及时维修和农业生产正常开展的必要保障,因此,对农机备件需求量的精准预测至关重要。然而,农机备件的需求量具有非平稳性、非线性、多零值、波动大等特点,使得预测任务变得困难。本文提出了一种基于卷积神经网络的时间序列高效卷积网络(Time series efficient convolution network,TECNet),用于农机备件需求量的预测。该模型首先利用快速傅里叶变换对原始一维序列进行周期性提取,然后根据周期性构建二维时间序列卷积模块进行特征提取,最后将二维特征重塑回一维特征,并通过线性变换得到预测值。利用某农机备件供应商4种不同备件类型的销售数据进行了评估验证,并引入均方根缩放误差作为衡量指标,以统一不同序列间的预测效果。试验结果表明,提出的模型预测效果显著优于其他参考模型,4种不同备件需求量预测的均方根缩放误差分别为0.775、1.349、0.822、0.205,均表现出良好的预测效果。该模型能有效考虑时间序列中的时间依赖关系,具有捕捉时间序列数据中非线性模式的能力,对不同农机备件类型的预测任务均能取得良好的效果,可为预测农机备件需求量提供参考。
