基于特征選擇和分層卷積機制的時間序列預測模型
中文題目：基于特征選擇和分層卷積機制的時間序列預測模型
論文題目：FSLC: Feature Selection and Layered Convolution for Long-Term Time Series Forecasting
錄用期刊/會議：CCC2025 （CAA A類會議）
錄用時間：2025.4.2
1)夏蘇勇 中國石油大學（北京）人工智能學院 控制工程 研23級
2)劉建偉 中國石油大學（北京）人工智能學院 自動化系 教師
摘要:
長期時間序列預測（LTSF）在多個領(lǐng)域具有廣泛的應用，但準確捕捉長時間依賴關(guān)系和動態(tài)特征的重要性依然是一個關(guān)鍵挑戰(zhàn)。為此，本文提出了一種新穎的模型架構(gòu)——FSLC，通過特征選擇網(wǎng)絡（FSN）和分層卷積機制（LCM）協(xié)同工作，提升預測性能。具體來說，F(xiàn)SN利用動態(tài)變量選擇機制，有效篩選出對預測最關(guān)鍵的特征，增強了模型的魯棒性與可解釋性。LCM結(jié)合深度卷積和點狀卷積的優(yōu)勢，從不同尺度捕獲時間序列中的線性與非線性模式。此外，我們設計了雙預測頭機制，通過分解與聚合的思想分別處理線性趨勢和非線性細節(jié)，提高預測的精度與泛化能力。我們在7個真實世界數(shù)據(jù)集上的實驗結(jié)果表明，F(xiàn)SLC達到了最佳的性能，在MSE和MAE方面分別比最佳基線平均提升4.92%和4.19%。
背景與動機:
長期時間序列預測 (LTSF) 在能源管理、交通流量預測和金融市場等領(lǐng)域至關(guān)重要。然而，現(xiàn)有模型在準確捕捉長時間依賴關(guān)系和動態(tài)特征上依然面臨困難：CNN 模型雖擅長提取局部特征，但難以有效捕獲全局依賴關(guān)系，而 Transformer 這些模型往往需要消耗大量的計算資源，導致在實際應用中的效率問題。此外，動態(tài)選擇機制對于預測的效率提升也有待優(yōu)化。
主要內(nèi)容:
本文提出了 FSLC 模型，從兩個方面進行創(chuàng)新。FSN通過動態(tài)選擇關(guān)鍵變量來有效抑制冗余特征和噪聲的影響，確保模型能夠始終關(guān)注最具預測力的特征。其次，LCM通過結(jié)合深度卷積和點狀卷積的優(yōu)勢，能夠同時捕捉時間序列中的局部模式和全局依賴。實驗表明，在7個常用的時間序列數(shù)據(jù)集上驗證了FSLC的性能，F(xiàn)SLC 相較于現(xiàn)有模型顯著降低了 MSE 和 MAE，并展示了更高的預測準確性和訓練效率。這一研究為時間序列預測提供了新的思路和解決方案。
圖1 FSLC的總體框架
結(jié)論:
本文提出了一種新穎的時間序列預測模型——FSLC，通過特征選擇網(wǎng)絡（FSN）與分層卷積機制（LCM）的協(xié)同作用，在長時間序列預測任務中實現(xiàn)了顯著性能提升。其中FSN通過動態(tài)篩選和權(quán)重分配機制，增強了模型對關(guān)鍵特征的感知能力。分層卷積機制則結(jié)合深度卷積和點狀卷積的優(yōu)點，以更低的計算成本捕捉復雜的時間依賴關(guān)系。此外，模型設計中引入的雙頭預測機制進一步平衡了線性趨勢和非線性變化的預測精度，從實際應用的角度來看，在能源管理、交通流量預測等領(lǐng)域，F(xiàn)SLC能夠高效地處理和預測包含長時間依賴的多維數(shù)據(jù)，提供更為精準的決策支持。
作者簡介:
劉建偉，教師。