计算机应用

作者：王翔, 陈志祥, 毛国君

单位：1.福建理工大学 计算机科学与数学学院，福州 350118；2.福建省大数据挖掘与应用技术重点实验室（福建理工大学），福州 350118

关键词：时间序列,多变量时间序列预测,深度可分离卷积,自注意力机制,局部与全局依赖

基金：国家重点研发计划项目(2019YFD0900900/05);福建理工大学科技项目(GY-Z21183)

为解决现有时间序列模型未能充分融合局部和全局依赖的问题，提出一种融合局部和全局相关性的多变量时间序列预测方法PatchLG（Patch-integrated Local-Global correlation method）。该方法基于3个关键部分：1）将时间序列划分为多个子序列（Patch），在保持时间序列的局部性的同时使模型更易于提取全局依赖；2）使用深度可分离卷积和自注意力机制建模局部和全局相关性；3）将时间序列分解为趋势项与季节项2个部分同时进行预测，并将预测结果组合起来得到最终预测结果。在7个基准数据集上的实验结果表明，PatchLG相较于最优基线方法PatchTST（Patch Time Series Transformer）在均方误差（MSE）和平均绝对误差（MAE）2个指标上平均改进量为3.0%和2.9%，同时具有较短的实际运行时间和较低的内存消耗，验证了PatchLG在时间序列预测中的有效性。

来源：2025年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第9期