计算机工程

作者：杨春霞, 翟雪彤, 蒋耀, 周媛媛

单位：1. 南京信息工程大学自动化学院, 江苏 南京 2100442. 江苏省大数据分析技术重点实验室, 江苏 南京 2100443. 江苏省大气环境与装备技术协同创新中心, 江苏 南京 210044

关键词：长期时序预测,时频融合,稀疏网络,双预测头策略,深度学习

基金：国家自然科学基金(61273229); 国家自然科学基金(51705260)

长期时序预测旨在辅助决策者进行长期规划与战略制定，然而现有预测模型在进行长期时序预测任务时忽视了经独立变量通道的特征提取的重要性，且未能有效融合多尺度时频信息进行深层特征提取。针对上述问题，提出一种多尺度时频融合与稀疏网络的长期时序预测模型WDNet。首先，通过重塑嵌入模块将一维时序数据分块后转换为二维时序图，并经过连续小波变换得到时频信息图，对时频信息图进行不规则稀疏卷积操作以获取融合的时频特征；然后，与时序数据的原有模式融合后，在集成了多层特定卷积的模块中，经独立变量通道分别从块内和块间提取深层特征；最后，经全局线性和局部非线性预测头合并输出最终结果。在6个真实公开数据集上的实验结果表明，WDNet模型能有效捕捉时序数据中的复杂依赖关系，并在长期时序预测任务上有较好的预测效果。

来源：2025年第12期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第12期