基于相似性分析的深度学习时间序列多步预测研究.pdf

摘要

时间序列预测，尤其是多元时间序列预测一直是时间序列众多研究内容中的

热点与难点。现有研究在时间序列预测方面仍存在一些局限性，忽视了相似时间

序列的影响，缺乏一个精准且性能高效的预测模型。为此本文围绕时间序列相似

性和相关深度学习技术对多元时间序列预测精度问题展开探索研究。本文的主要

工作及贡献如下：

（1）针对现有多元时间序列预测中缺乏对时序内部历史相似时序因素的有

效利用以及预测误差大两个问题，提出了一种融合内部历史相似时序影响的预测

模型，名为Simformer。该方法首先利用DTW算法在历史时序中搜索到与当前

时序相似的时序，然后采用特征相加的方式进行特征融合，在不增加计算量的前

提下有效地融合有用信息而避免引入冗余；之后将时间卷积网络引入到Informer

模型中，在时间尺度与ProbSparse自注意力机制一同增强模型的输出与输入之间

的长期依赖提取能力，有效提升了模型的预测精度。通过公开数据集实证

Simformer在面对不同预测窗口长度或不同输入窗口长度下的长时间序列问题时，

预测性能有明显提升。

（2）针对多元时间序列预测中对外部同类型相似时序因素利用率低以及预

测误差大两个问题，提出了一种基于外部相似时序影响和状态空间模型的预测模

型，名为DTW-GPC-S4Model。该方法首先使用DTW算法求得多元时间序列中

的外部相似序列，接着利用JGPC算法得到相似时序的波动量，最后将外部将相

似时序的波动量引入参数量较小的基于状态空间模型的S4Model模型中进行预

测，如此一来不仅充分挖掘了外部因素的波动量大小，避免了原数据在不同量级

上的影响，且在模型复杂度较低的情况下有效提升了模型的预测精度。

关键词：时间序列预测，相似性，Informer，时间卷积，状态空间模型

Abstract

Forecastingtimeseries,particularlymultivariateones,isafocalpointand

challengeintimeseriesresearch.Currentstudiesexhibitlimitationsbydisregardingthe

impactofsimilartimeseriesandlackingaprecise,efficientforecastingmodel.This

thesisdelvesintotheaccuracyissueofmultivariatetimeseriesforecasting,centering

ontimeseriessimilarityandpertinentdeeplearningtechniques.Theprimary

contributionsofthisthesisareasfollows:

(1)Toaddresstheissuesofineffectiveutilizationofinternalhistoricalsimilartime

seriesfactorsandlargepredictionerrorsinexistingmultivariatetimeseriesforecasting,

ApredictionmodelcalledSimformerisproposed.ThisapproachfirstemploystheDTW

algorithmtofindtimeseriessimilartothecurrentoneinhistoricaldata.Then,itblends

featureseffectivelywithoutincreasingcomputationalcomplexitybyaddingfeatures.

Subsequently,thetimeconvolutionalnetworkisintroducedintotheInformermodelto

enhancethelong-termdependencyextrac