基于时空自适应嵌入的多变量时序预测.pdfVIP

第14卷第6期Vol.14No.6

2025年11月网络新媒体技术Nov.2025

基于时空自适应嵌入的多变量时序预测∗

曾晓锋王帅李紫京†

(广东电网有限责任公司客户服务中心广州510000)

摘要:随着多变量时序预测在各个领域的重要性日益增强,捕捉复杂的时空模式成为一个关键挑战。近年来,许多具有复杂

结构的神经网络被提出来解决这一问题。然而,随着网络架构的不断复杂化,其性能提升逐渐趋于瓶颈,成为一个亟需解决

的关键问题。本文引入一种新的组件———时空自适应嵌入,将其与基础Transformer模型结合,显著提升预测效果。本文提出

的方法时空自适应嵌入多层感知器(StaeMLP)在多个真实世界的时序预测数据集上实现当前最优性能。进一步的实验表明,

该嵌入方法能有效地捕捉多变量时间序列中的时空关系和时间信息,对提升预测准确性具有重要作用。该方法具有广泛的

跨领域应用潜力,为复杂时空模式的预测提供新思路,推动多变量时序预测技术的发展与应用。

关键词:人工智能,话务流量,时间序列,流量预测,多变量时序预测,Transformer

DOI:10.20064/ki.2095-347X.2025.06.006

MultivariateTimeSeriesForecastingBasedonSpatiotemporal

AdaptiveEmbeddings

ZENGXiaofeng,WANGShuai,LIZijing†

(GuangdongPowerGridCo.,Ltd.CustomerServiceCentre,Guangzhou,510000,China)

Abstract:Withthegrowingimportanceofmultivariatetimeseriesforecastingacrossvariousdomains,capturingcomplexspatiotemporal

patternshasbecomeakeychallenge.Inrecentyears,numerousneuralnetworkswithincreasinglysophisticatedarchitectureshavebeen

proposedtoaddressthisissue.However,asthesearchitecturesbecomemorecomplex,theirperformancegainshavegraduallyplat-

eaued,highlightingapressingneedfornewsolutions.Inthisstudy,weintroduceanovelcomponent—spatiotemporaladaptiveembed-

ding—andintegrateitwithastandardTransformermodeltosignificantlyenhancepredictiveperformance.Ourproposedmethod,Spa-

tio-TemporalAdaptiveEmbeddingMultilayerPerceptron(StaeMLP),achievesstate-of-the-artresultsonmultiplereal-worldtimeseries

forecastingdatasets.Furtherexperimentsdemonstratethattheproposedembeddingmechanismcaneffectiv