基于多尺度分段的长时间序列预测方法

作者：何胜林; 龙琛; 郑静; 王爽; 文振焜; 吴惠思; 倪东; 何小荣; 吴雪清

来源：深圳大学学报(理工版), 2023, 1-9.

• 计算机神经网络
• 时间序列预测
• Transformer模型
• 深度学习
• 电力预测

针对目前长时间序列预测(long sequence time-series forecasting)存在历史数据量大、计算复杂度高、预测精度要求高等问题，提出一种基于多尺度分段的Transformer模型．该模型基于Transformer架构进行改进优化，使用多尺度分段，将时间序列切片成多个时间段进行训练和预测，降低长时间序列的复杂性，并实现更高精度的预测．实验表明，在现实数据电力变压器数据集(ETDataset)、ECL数据集和Weather数据集中，对比传统Transfomer、Informer、门控循环单元(gated recurrent unit, GRU)、时序卷积网络(temporal convolutional network, TCN)和长短期记忆(long short term memory, LSTM)等基准模型，基于多尺度分段的Transformer模型的平均绝对误差和均方误差分别为0.404和0.449，均优于其他模型．基于多尺度分段的Transformer模型可以综合Transformer模型的优点，实现更快的计算速度，具有更高的预测性能．

• 出版日期2023
• 单位深圳大学; 深圳大学总医院