融合序列分解与时空卷积的时序预测算法

现有深度学习方法在对时间序列预测时,未充分考虑空间依赖性,且长期预测的准确率也较低.针对此问题,提出一种融合时间序列分解策略和时空卷积神经网络的时序预测模型SDBRNN(Series-Decomposition-Block Recurrent Neural Network).该模型首先学习序列的多周期值并对序列进行最优STL分解;然后结合相邻观察点构造兼具时空数据块;再采用Block-LSTM中的三维卷积模块对时空数据块进行特征提取,让三维块在LSTM细胞中参与状态更新和反向传播,最终实现模型对时空特征的学习.结合多个时空序列测试数据分析,表明该模型在具有空间依赖关系的时序数据集上,比传统的时间卷积模型和循环神经网络具有更好的时空特征提取能力和拟合预测能力,验证了该模型的有效性.