计算机工程

作者：李姜辛, 王鹏, 汪卫

单位：复旦大学计算机科学技术学院，上海 200433

关键词：工业时序预测,深度学习,机理模型,多机理集成,复杂模式挖掘

基金：国家重点研发计划(2020YFB1710001)

工业时序预测对于优化生产过程和增强决策制定至关重要。现有基于深度学习的方法由于缺乏领域知识而常常效果不理想。现有研究使用机理模型指导深度学习以解决此问题，但这些方法通常只考虑单一机理模型，忽略了工业过程中多个时序预测机理的情形以及工业时序的复杂性。为此，提出基于注意力机制的多机理指导的深度学习工业时序预测(M-MDLITF)通用框架，其能够将多个机理嵌入深度工业时序预测网络指导训练，并且将不同机理的优势通过注意力机制集成于最终预测结果。多机理深度维纳(M-DeepWiener)作为M-MDLITF框架的实例化方法，利用上下文滑动窗口和Transformer编码器架构来挖掘工业时序的复杂模式。在1个模拟数据集和2个真实数据集上的实验结果表明，M-DeepWiener具有良好的运行效率和鲁棒性，比单机理深度维纳(DeepWiener)、经典维纳机理和纯数据驱动方法具有更高的预测准确率，其中在模拟数据集上比单机理模型DeepWiener-M1的误差降低了20%。

来源：2025年第7期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第7期