计算机应用

作者：任烈弘, 黄铝文, 田旭, 段飞

单位：1.西北农林科技大学 信息工程学院，陕西 咸阳 712100；2.宁波工业互联网研究院，浙江 宁波 315000

关键词：离散傅里叶变换,频率敏感,时间序列预测,序列分解,Transformer,周期性增强注意力

基金：国家重点研发计划项目(2020YFD1100601)

在进行多变量长时间序列预测时，仅利用时域分析通常无法充分捕捉长时间序列依赖，而这会导致信息利用率不足、预测精度不够高。因此，结合频域时域分析，提出一种基于离散傅里叶变换（DFT）的频率敏感双分支多变量长时间序列预测（FSDformer）方法。首先，通过DFT实现时间和频率的相互转换，从而将复杂的时间序列数据分解为结构简单的低频趋势项、中频季节项和高频余项3个分量；其次，采用双分支结构，针对中高频分量预测，应用Encoder-Decoder结构，设计了周期性增强注意力机制；针对低频趋势分量预测，采用多层感知机（MLP）结构；最后将中高频分量与低频分量预测结果相加，得到多变量长时间序列的最终预测结果。在2个数据集上把FSDformer与其他5个经典算法进行了对比分析，在Electricity数据集上，当历史序列长度为96，预测序列长度为336时，相较于Autoformer等对比算法，FSDformer的平均绝对误差（MAE）下降了11.5%~29.1%，均方误差（MSE）下降了20.9%~43.7%，达到了最优预测精度。实验结果表明，FSDformer能有效捕捉长时间序列的相关依赖，在提升预测精度和计算效率的同时，增强了模型预测的稳定性。

来源：2024年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第9期