计算机工程

作者：徐磊, 曾艳, 袁俊峰, 岳鲁鹏, 殷昱煜, 张纪林, 薛梅婷, 韩猛

单位：杭州电子科技大学计算机学院，浙江 杭州 310000

关键词：自注意力机制,门控循环单元,全局特征捕捉,时间跨度依赖性,时间序列插补

基金：国家自然科学基金(62072146); 浙江省"高层次人才特殊支持计划"科技创新领军型人才项目(2022R52043); 浙江省重点研发计划(2023C03194); 浙江省重点研发计划(2021C03187)

船舶轨迹数据作为海上交通的核心数据，可以用于轨迹预测、预警等任务，具有非常明显的时序特征，但海上环境恶劣、通信可靠性差等因素导致收集到的船舶轨迹数据普遍存在数据缺失的问题，对含有缺失数据的时间序列进行学习会严重影响时间序列分析的准确性。当前主流的解决方案是对缺失数据进行近似插补，主要基于卷积模型沿着时间轴对时间序列进行重塑，捕捉时间序列的局部特征，但对长时间序列的全局特征捕捉能力较弱。Transformer模型通过其核心的自注意力机制来捕获时间序列各个时间点之间的关系，从而增强模型对时间序列全局特征的捕捉能力，但注意力机制是通过矩阵乘计算得到的，导致其忽视了时间序列自身的时序性，得到的全局特征权重不具有时间跨度依赖性。因此，针对长时间序列全局特征捕捉的问题，提出一种基于自注意力机制的变体网络GANet。GANet首先通过自注意力机制获得基础的时间序列点之间的全局特征权重矩阵，再使用门控循环单元在时间轴上对全局特征权重矩阵进行遗忘与更新，从而得到具有时间跨度依赖性的全局特征权重矩阵；然后使用该矩阵进行数据重构，对缺失数据进行插补。GANet通过结合自注意力机制与门控机制实现了在捕捉全局特征的同时考虑时间跨度对各个时间点的影响，使得捕获到的全局特征具有时间跨度依赖性。实验结果表明，与现有Autoformer、Informer等模型相比，GANet对于Trajectory、ETT、Electricity数据集具有较好的插补效果。

来源：2025年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第11期