基于未来趋势的预测方法：一种用于长期时间序列预测的主动映射框架

《Knowledge-Based Systems》：Future horizon-guided trend projection: A proactive mapping framework for long-term time series forecasting

　　

徐润轩|黄思远|刘叶鹏

摘要

长期时间序列预测（LTSF）在能源管理、交通和医疗保健等多个领域变得越来越重要。然而，现有的基于Transformer的架构主要依赖于注意力机制，这些机制仅限于对历史序列的被动分析。这些模型往往忽略了未来目标序列中的可扩展全局趋势，无法主动感知历史背景与未来时间范围之间的复杂映射关系。因此，它们在处理高波动性序列时的建模能力受到限制，导致预测精度不高。为了解决这些问题，我们提出了STDCformer，一种具有季节性-趋势双重注意力机制的卷积Transformer。STDCformer结合了双重分解策略：使用傅里叶变换处理季节性成分，使用多尺度移动平均处理趋势成分，并通过拼接技术提取具有语义意义的特征。具体来说，季节性成分利用自注意力机制捕捉局部周期性；趋势成分引入了一种新颖的未来注意力机制。该机制通过使用可学习的查询矩阵来替代未来的时间范围，将历史趋势主动投影到未来，从而明确建模时间映射关系。此外，还采用了残差连接来保持信息的完整性，并通过深度可分离卷积进行高效的特征细化与融合。在真实世界基准数据上的广泛实验表明，STDCformer不仅克服了现有模型的局限性，还在预测准确性和计算效率方面取得了优异的性能。