基于分段注意力机制的时间序列预测模型.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812025⁃07⁃10

计算机应用,2025,45(7):2262-2268CODENJYIIDUhttp://www.joca.cn

文章编号：1001-9081（2025）07-2262-07DOI:10.11772/j.issn.1001-9081.2024070929

基于分段注意力机制的时间序列预测模型

1*2211

王慧斌，胡展傲，胡节，徐袁伟，文博

（1.国网四川岷江供电有限责任公司，成都611830；2.西南交通大学计算机与人工智能学院，成都611756）

（∗通信作者电子邮箱whbzhu@foxmail.com）

摘要：针对时间序列分段后存在因采样间隔增大而导致的长期预测过程中局部依赖关系丢失的情况，提出一种

基于分段注意力机制的时间序列预测模型（SAMformer）。首先，显式地将时间静态协变量与原始数据按比例融合，以

增强数据的时域信息表征能力；其次，同时引入两个连续的带偏置的线性层和一个激活函数来微调融合数据，从而提

高模型对非线性数据的拟合能力；然后，在分段序列的每个段内引入点积注意力机制，以便捕获局部特征依赖关系；

最后，利用跨尺度依赖的编码器−解码器架构预测时序数据。所提模型在公开的5个时间序列数据集上的实验结果表

明，相较于Crossformer、Pyraformer和Informer等其他监督学习时序预测模型，SAMformer的均方误差（MSE）和平均绝

对误差（MAE）分别降低了2.0%～62.0%和0.9%～49.8%。此外，通过消融实验验证了所提不同组件的完备性和有

效性，进一步说明了融合时域信息和段内注意力机制有助于提高时间序列预测的精度。

关键词：深度神经网络；时间序列预测；时域信息融合；编码器−解码器架构；注意力机制

中图分类号：O211.61；TP183文献标志码：A

Timeseriesforecastingmodelbasedonsegmentedattentionmechanism

1*2211

WANGHuibin，HUZhan’ao，HUJie，XUYuanwei，WENBo

（1.StateGridSichuanMinjiangPowerSupplyCompanyLimited，ChengduSichuan611830，China；

2.SchoolofComputingandArtificialIntelligence，SouthwestJiaotongUniversity，ChengduSichuan611756，China）

Abstract:Toaddresstheissueoflocaldependencylossduringlong-termforecastingduetoincreasedsamplinginterval