使用通道融合和序列平稳化策略的长期时间序列预测方法.pdfVIP

小型微型计算机系统2025年5月第5期

DOI:10.20009/ki.21-1106/TP.2024-0025

JournalofChineseComputerSystemsVol.46No.52025

使用通道融合和序列平稳化策略的长期时间序列预测方法

赵龙港，车超12，赵天明1

1（大连大学先进设计与智能计算省部共建教育部重点实验室，辽宁大连116622）

2（大连大学软件工程学院，辽宁大连116622）

E-mail;zhao_longgang@

摘要：长期时间序列预测在现实场景中扮演重要角色.先前的研究表明，基于Transformers的模型采用的逐点自注意力会增

加计算复杂度，而基于线性结构和通道独立的模型可以获得更高的效率和准确性.然而，长期时间模式在不同通道之间也存在

难以抽取的依赖关系，为了解决计算复杂度高和复杂时间模式难以捕捉的问题，该文提出了通道融合和序列平稳化模型，模型

结合了通道独立与通道依赖的训练策略，基于线性结构发掘序列单个通道的相关性，并使用由傅里叶运算启发的卷积结构来自

适应地融合不同的通道.同时，通过堆叠序列通道融合-分解模块，进一步提高模型的预测性能.此外，该文在子序列级别引入了

平稳化与反平稳化模块，从而提高了模型的泛化能力.在长期预测方面，所提模型在3个通用时序数据集上的准确度超越了其

他基准模型.

关键词：时间序列预测；线性模型；周期分解；通道融合卷积；平稳化

中图分类号：TP183文献标识码：A文章编号：1000-1220(2025)05-1120-07

Long-termTimeSeriesForecastingwithChannelFusionandSequenceStabilization

ZHAOLonggang,CHEChao-2,ZHAOTianming

1(KeyLaboratoryofAdvancedDesignandIntelligentComputing,MinistryofEducation,DalianUniversity,Dalian116622,China)

2(CollegeofSoftwareEngineering,DalianUniversity,Dalian116622,China)

Abstract:Long-termtimeseriesforecastingplaysasignificantroleinreal-worldscenarios.PreviousstudiesshowedthatTransformer-

basedmodelsusedpoint-by-pointself-attention,whichincreasedcomputationalcomplexity.Incontrast,modelsbasedonlinearstruc-

turesandchannelindependencecouldachievehigherefficiencyandaccuracy.However,thelong-termtemporalpatternsalsohadde-

pendenciesbetweendifferentchannelsthataredifficulttoextract.Toaddresstheissuesofhighcomputationalcomplexityandthediffi-

cultyofcapturingcomplextemporalpatterns,thispaperproposedChannelFusionandsequenceStabilizationNetwork,whichcombines

channelindependentandchanneldependenttrainingstrategies.Itexploredcorrelationsofindividu