用于多元时间序列预测的自适应频域模型
近年来,学术和工业领域对时间序列数据的研究热潮不断增长,但其中蕴含的频率信息仍缺乏有效的建模.研究发现,时间序列预测依赖于不同的频率模式,为未来的趋势预测提供有用的线索:短期的序列预测更多依赖于高频分量,而长期预测则更多关注低频数据.为更好地挖掘时间序列的多频模式,提出了一个多特征自适应频域预测模型MAFD.该模型分为两个阶段:在第一阶段中,模型通过XGBoost算法对输入向量进行重要性度量,选择高重要性特征;在第二阶段,模型将时间序列的频率特征提取和目标序列的频域建模集成到一起,并根据时间序列对频率模式的依赖特点构建一个端到端的预测网络.MAFD的创新性体现在预测网络能够根据输入序列的动态演变自动关注不同的频率分量,从而揭示时间序列的多频模式,强化模型的学习能力.采用4种不同领域的数据集对模型进行了性能验证,实验结果表明,与现有经典的预测模型相比,MAFD具有更高的准确性和更小的滞后性.
时间序列预测;XGBoost;多频模式;深度学习;自适应建模
48
TP391(计算技术、计算机技术)
国家自然科学基金62072274
2021-11-22(万方平台首次上网日期,不代表论文的发表时间)
共7页
204-210