基于二次分解和GRU-attention的时间序列预测研究

作者：高凯悦; 牟莉

来源：国外电子测量技术, 2023, 42(02): 80-87.

DOI：10.19652/j.cnki.femt.2204479

• CEEMDAN-VMD二次分解
• 样本熵
• GRU神经网络
• Attention机制
• 时间序列预测

针对时间序列规律难以捕捉且具有高度非平稳性特征导致的预测精度较低问题，提出了一种基于二次分解和注意力机制优化门控循环单元(GRU-attention)的时间序列预测模型。首先利用完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)将时间序列分解为若干个特征互异的模态分量，并依据样本熵量化各分量复杂度。其次采用变分模态分解(variational modal decomposition, VMD)弱化高熵值分量的非平稳性特征。接着使用注意力机制优化GRU预测模型。最后对各分量建立GRU-attention模型进行预测，将各分量预测结果叠加获得最终结果。通过实验分析证明，所提出的模型与其他模型相比能够较好的捕捉序列的复杂规律、降低序列的非平稳性并且具有较高的预测性能，其平均绝对百分比误差达到了2.9%,决定系数达到了0.891。

• 出版日期2023
• 单位西安工程大学