基于季节分解的混合神经网络的时间序列预测

近年来,时间序列预测已经在金融、气象、军事等多个领域得到广泛应用。深度学习已开始在时间序列预测任务中展现巨大的潜力和应用前景。其中,循环神经网络在跨度较大的时间序列预测中容易出现信息丢失和梯度爆炸等问题。而Transformer模型及其变种在使用注意力机制时通常忽略了时间序列变量之间的时序关系。为了应对这些问题,提出了一种基于季节分解的混合神经网络时间序列预测模型。该模型利用季节分解模块来捕获时间序列中不同周期频率分量的变化,同时通过融合多头注意力机制和复合扩张卷积层,利用全局信息和局部信息的交互获取数据之间的多尺度时序位置信息。最终,在4个领域的公开数据集上进行了实验,结果表明模型的预测性能优于当前的主流方法。