.png){kind=icon}
返回
Dual-Stream Time Series Prediction Algorithm Based on Inter-scale Interaction
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-5696-0_35.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时间序列预测作为一种支持智能决策的核心技术，在电力调度、交通控制和经济预警等领域具有重要应用价值。然而，现有方法在处理复杂时间序列的非线性、多尺度特征及多变量耦合关系时，仍面临预测精度不足的挑战。本文聚焦于多变量时间序列预测的关键问题，提出了一种创新性的算法框架。为解决多变量时间序列的尺度异质性问题，提出了一种双流网络架构：首先，由于季节性和趋势分量表现出不一致的时间特征，分别采用长短期记忆（LSTM）网络和线性层来捕捉季节性分量的非线性波动和趋势分量的线性演化模式；其次，创新性地引入跨尺度注意力机制，通过量化不同时间粒度下的特征相关性，实现多尺度信息的自适应融合。最后，在七个公开数据集和河南省负荷数据集上的实验表明，所提算法在预测精度和鲁棒性方面均优于现有主流方法。
Keyword:
Time Series Forecasting
Multi-Scale Fusion
Dual-Stream Network
Sequence Decomposition
期刊
P
IF:
0
论文数:
25
被引数:
0
机构
引用论文
分享收藏Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting告密者: 超越长序列时间序列预测的高效变压器
OAAI
OAAI分享收藏分享收藏MEAI-Net: Multiview embedding and attention interaction for multivariate time series forecasting.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏分享收藏A Hybrid Prediction Method for Realistic Network Traffic With Temporal Convolutional Network and LSTM基于时间卷积网络和LSTM的现实网络流量混合预测方法
PREAI
分享收藏 没有更多内容
没有更多内容