基于序列分解的长期时间序列预测方法研究.pdf

基于序列分解的长期时间序列预测方法研究

摘要

大数据时代，数据量显著增加。时间序列是数据组织的一种普遍形态，时间序列

预测在经济、工业、交通、能源、金融和市场等领域中发挥重要作用，延长预测长度

对于趋势分析与决策制定具有重要意义。现有工作中，长期时间序列预测研究存在一

些不足：传统模型采用单步预测策略，迭代预测过程中误差累积，进行长期预测时准

确率降低；基于数据点的输入缺乏足够的上下文信息，无法准确反映复杂的时间序列

语义，模型的泛化能力有限；缺乏有效的特征工程提取高度耦合、相互遮蔽的周期成

分，模型的依赖捕捉能力不足；建模过程基于数据的线性和平稳性假设，但真实数据

存在分布漂移问题，模型难以捕捉时间序列真实状态，预测结果不可靠。

本文分别对单变量和多变量长期时间序列预测方法进行研究，主要研究内容如下：

（1）提出基于奇异谱分解与时序分块的单变量预测模型S-Patch（SingularSpectrum

AnalysisandPatchingLearning），使用直接多步预测策略输出预测向量，避免误差累

积。通过序列分块，增强时序数据的局部信息，减少模型的计算量和内存使用量，提

升模型泛化能力。使用奇异谱分解重构时间序列，减少预测过程中的复合误差，提升

模型依赖捕捉能力。通过嵌入位置编码和全局时序信息，增强模型的理解能力，提升

预测准确性。（2）提出基于STL分解和频域增强的多变量预测模型FEDEL

（FrequencyEnhancedDecompositionandExpansionLearning），使用通道依赖策略，捕

获变量相关性。使用STL分解对序列进行成分解析，提取周期分量与趋势分量，简化

序列结构。利用快速傅里叶变换将序列从时域转换到频域，在频域内解耦不同周期，

增强对预测结果贡献显著的周期。通过正则化损失函数，缓解数据分布漂移问题。

模型在公开数据集上进行了对比试验和消融实验，使用均方误差和平均绝对误差

作为评价指标评估S-Patch和FEDEL的性能。实验结果证明了模型的有效性，在单变

量与多变量长期时间序列预测任务中均有性能提升。

关键词:长期时间序列预测；STL分解；奇异谱分解；傅里叶变换；正则化损失

基于序列分解的长期时间序列预测方法研究

Abstract

Theeraofbigdatahasseenasignificantincreaseinthevolumeofdata.Timeseriesisa

commonformofdataorganization,andtimeseriesforecastingplaysanimportantroleinthe

fieldsofeconomy,industry,transportation,energy,financeandmarket,etc.Extendingthe

lengthofforecastsisimportantfortrendanalysisanddecisionmaking.Therearesome

shortcomingsintheexistingworkonlong-termtimeseriesforecastingstudies:Traditional

modelsuseasingle-steppredictionstrategy,whichaccumulateserrorsduringtheiterative

predictionprocessandreducestheaccuracywhenmakinglong-termpredictions;Datapoint-

basedinputslacksufficientcontext