针对时间序列数据中周期复杂性和高频噪声导致的预测困难,提出一种基于统计分布感知与频域双通道融合的时序预测模型,旨在缓解数据漂移、抑制噪声干扰并提高预测精度。首先,通过窗口重叠切片对原始时序数据进行处理,计算各切片的数据统...针对时间序列数据中周期复杂性和高频噪声导致的预测困难,提出一种基于统计分布感知与频域双通道融合的时序预测模型,旨在缓解数据漂移、抑制噪声干扰并提高预测精度。首先,通过窗口重叠切片对原始时序数据进行处理,计算各切片的数据统计分布并进行归一化,再利用多层感知器(MLP)预测未来数据的统计分布;其次,将归一化后的序列经过自适应时频转换,并通过通道独立编码器和通道交互学习器强化频域内和通道间的关联特征,从而获取多尺度频域表征;最后,采用线性预测层完成频域到时域的逆变换,模型在输出阶段利用未来数据的统计分布进行逆归一化操作,从而生成最终预测结果。与当前主流的时序预测模型PatchTST(Patch Time Series Transformer)的对比实验结果表明,所提模型在Exchange、ETTm2和Solar数据集上的均方误差(MSE)平均降低了5.3%,平均绝对误差(MAE)平均降低了4.0%,体现了良好的噪声抑制能力和预测性能。消融实验结果进一步表明,数据统计分布感知、自适应频域与双通道融合模块在提升预测准确性方面都具有显著贡献。展开更多
文摘针对时间序列数据中周期复杂性和高频噪声导致的预测困难,提出一种基于统计分布感知与频域双通道融合的时序预测模型,旨在缓解数据漂移、抑制噪声干扰并提高预测精度。首先,通过窗口重叠切片对原始时序数据进行处理,计算各切片的数据统计分布并进行归一化,再利用多层感知器(MLP)预测未来数据的统计分布;其次,将归一化后的序列经过自适应时频转换,并通过通道独立编码器和通道交互学习器强化频域内和通道间的关联特征,从而获取多尺度频域表征;最后,采用线性预测层完成频域到时域的逆变换,模型在输出阶段利用未来数据的统计分布进行逆归一化操作,从而生成最终预测结果。与当前主流的时序预测模型PatchTST(Patch Time Series Transformer)的对比实验结果表明,所提模型在Exchange、ETTm2和Solar数据集上的均方误差(MSE)平均降低了5.3%,平均绝对误差(MAE)平均降低了4.0%,体现了良好的噪声抑制能力和预测性能。消融实验结果进一步表明,数据统计分布感知、自适应频域与双通道融合模块在提升预测准确性方面都具有显著贡献。
