基于双模型并联的复杂时序预测方法.pdfVIP

第42卷第3期深圳大学学报理工版Vol.42No.3

2025年5月JournalofShenzhenUniversityScienceandEngineeringMay2025

【电子与信息科学/ElectronicsandInformationScience】

基于双模型并联的复杂时序预测方法

郑洪英，夏林中，刘星

深圳信息职业技术学院中德机器人学院，广东深圳518172

摘要：传统时序预测模型通常仅关注捕捉复杂时序中的趋势和模式，而忽略了变量间的相互作用，

限制了该模型在复杂时序预测中应用．提出一种Dualformer双模型并联方案，该模型并联iTransformer

（invertedtransformer）和PatchTST（patchtimeseriestransformer），通过激活函数替代前馈神经网络，并通过多

层感知机计算输出结果．Dualformer利用注意力机制同时捕捉复杂时序中的时间维度和变量维度信息，关

注时间趋势与多变量交互．实验结果显示，Dualformer在复杂时序预测效果上显著优于对比模型

iTransformer、PatchTST和DLinear（decompositionlinear），在实际应用中可显著提高复杂时序预测的准确度，

具有广泛应用前景．

关键词：人工智能；深度学习；复杂时序预测；注意力机制；多层感知机；Dualformer模型

中图分类号：TP183文献标志码：ADOI：10.3724/SP.J.1249.2025.03334

Complextimeseriesforecastingmethodbasedon

dual-modelparallelism

ZHENGHongying,XIALinzhong,andLIUXing

Sino-GermanRoboticsSchool,ShenzhenInstituteofInformationTechnology,Shenzhen518172,GuangdongProvince,P.R.China

Abstract:Traditionalforecastingmodelstypicallyfocusoncapturingtrendsandpatternsintimeseriesdatawhile

oftenneglectinginteractionsamongvariables,whichlimitstheireffectivenessincomplextimeseriesscenarios.To

addressthis,adual-modelparallelapproachnamedDualformerisproposed,whichintegratestheinverted

transformer(iTransformer)andpatchtimeseriestransformer(PatchTST)modelsinaparallelarchitecture.Inthis

framework,theconventionalfeedforwardneuralnetworkcomponentsarereplacedwithactivationfunctions,anda

multilayerper