A decomposition-based sequential deep learning model for time series forecasting: SSD-GRU for wind data

doi:10.1016/j.egyai.2026.100858

A decomposition-based sequential deep learning model for time series forecasting: SSD-GRU for wind data

2026-08-01

0

PRE

AI

Jón Atli Benediktsson

M

Morris Riedel

DOI：10.1016/j.egyai.2026.100858

原文链接

原文求助

摘要

En 中文

本文提出将奇异谱分解作为时间序列数据在训练序列模型前的预处理步骤，旨在提升预测精度并强调分解元素的物理意义。序列深度学习模型通常需要大量数据进行有效训练和准确预测。然而，在许多应用中，大规模数据的可用性受限，且在高性能计算资源上训练大规模模型仍是一大挑战。作为重要的能源应用，本研究将风速视为风电预测的关键因素。门控循环单元被选为基线模型，因其广泛应用于风速预测，且在捕捉时间依赖性方面表现良好且计算需求适中。通过SSD将风速固有的湍流分解为趋势、振荡和噪声分量。这些具有物理意义的分量揭示了各元素对风速时间序列的贡献。因此，对主导分量（本研究中识别为趋势分量）的准确预测，提高了由单独预测的分量重构的风速时间序列的预测精度。该方法通过冰岛、丹麦和英国三个地理位置不同的实际风速测量数据进行验证，显示出显著的性能提升。此外，额外的验证实验表明，所提出框架的预测性能对训练-测试分割点的选择不敏感。结果进一步表明，预测精度的提升是在不增加模型复杂度或无需额外训练数据的情况下实现的。这表明具有物理可解释性的分解为通过更大数据集或更复杂预测架构来提升精度提供了实用替代方案。

Keyword:

Time series

Deep learning

Singular spectrum decomposition

High-performance computing

Signal processing

Wind power

A decomposition-based sequential deep learning model for time series forecasting: SSD-GRU for wind data

摘要

期刊

机构

引用论文