计算机工程

作者：刘杭, 殷歆, 陈杰, 罗恒

单位：1. 苏州科技大学 电子与信息工程学院, 江苏 苏州 215009;2. 苏州科技大学 江苏省建筑智慧节能重点实验室, 江苏 苏州 215009

关键词：多维时间序列,时间卷积网络,自注意力机制,卷积神经网络,矩阵分解,正则化

基金：国家自然科学基金（51874205，51973109）。

为捕捉时间序列中潜在的特征依赖关系并实现高维时序数据的快速模糊预测，构建基于时间卷积网络（TCN）与自注意力机制的两种混合网络模型：TSANet和TSANet-MF。TSANet模型通过全局和局部两个并行卷积分量结构提取特征后，利用自注意力机制增强特征点关联程度，并结合并行的TCN增大卷积的感受野范围，最大程度地捕捉多维时序数据的周期性特征。TSANet-MF模型将TSANet作为矩阵分解算法的正则化项，使高维数据转化为具有更多时序特征的低维数据，减少计算复杂度，实现高维数据的快速模糊预测。在4种不同领域的时间序列数据集上的实验结果表明，TSANet模型在3种数据集上的预测性能均优于基准模型，尤其在高维Traffic数据集上相对平方根误差降低了19.52%~56.37%，TSANet-MF模型在Electricity和Traffic高维数据集上的训练时间相比于基准模型明显减少。上述实验结果验证了两种混合网络模型均具有较好的多维时间序列预测性能。

来源：2023年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第1期