文献类型：期刊文章

作　　者：李兆玺[1] 刘红岩[2]

LI Zhao-Xi;LIU Hong-Yan(Key Laboratory of Data Engineering and Knowledge Engineering of the Ministry of Education,School of Information,Renmin University of China,Beijing 100872;School of Economics and Management,Department of Management Science and Engineering,Tsinghua University,Beijing 100084)

机构地区：[1]中国人民大学信息学院数据工程与知识工程教育部重点实验室,北京100872 [2]清华大学经济管理学院管理科学与工程系,北京100084

出　　处：《计算机学报》

基　　金：国家社会科学基金(20&ZD161)资助.

年　　份：2023

卷　　号：46

期　　号：1

起止页码：70-84

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2023_2024、EAPJ、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：时间序列在现实生活中具有广泛的用途,使用时间序列预测模型能够预估序列的未来变化趋势,为决策提供支撑.对于多变量时间序列的预测研究,已经提出了很多模型,但已有方法存在如下问题:不能同时考虑时间序列本身和协变量的信息;忽略了多变量时间序列中的全局信息;不能对预测结果进行解释.针对这些问题,本文提出了一个基于深度学习的多变量时间序列预测模型TEDGER,可以提取隐藏在单个时间序列中的序列模式和隐藏在多变量时间序列中的全局特征,并将序列模式和全局特征进行融合,通过残差预测的方式实现时间序列的预测.本文所提模型在真实的时间序列数据集上进行了实验评估.结果表明,本文提出的模型在预测准确度上超越了其他基准模型,同时模型拥有一定的可解释性.

关 键 词：时间序列预测 全局特征  矩阵分解 深度学习  注意力机制  

分 类 号：TP391]