文献类型：期刊文章

作　　者：鹿天柱[1] 钱晓超[2] 何舒[2] 谭振宁[1] 刘飞[1]

LU Tian-zhu;QIAN Xiao-chao;HE Shu;TAN Zhen-ning;LIU Fei(College of Software Engineering,South China University of Technology,Guangzhou 510006,China;Shanghai Institute of Mechanical and Electrical Engineering,Shanghai 201108,China)

机构地区：[1]华南理工大学软件学院,广州510006 [2]上海机电工程研究所,上海201108

出　　处：《控制与决策》

基　　金：国家重点研发计划项目(2018YFC0830900);装备预研领域基金项目(61400010205);上海航天科技创新基金项目。

年　　份：2021

卷　　号：36

期　　号：3

起止页码：645-652

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：时间序列是一种广泛存在于现实各领域之中的海量高维数据,时间序列预测是该领域的一个研究重点.传统的时间序列预测方法仅仅从时间的维度对时间序列进行分析,忽略了外界影响因素对时间序列可能产生的影响.针对传统时间序列预测方法存在的问题,提出一种基于深度学习的时间序列预测模型DAFDCRNN (dual-stage attention and full dimension convolution based recurrent neural network).该模型引入目标注意力机制来学习输入特征与被预测特征之间的相关性,引入全维度卷积机制来学习输入特征之间的相关性,并引入时间注意力(temporal attention)机制来学习时间序列的长期时间依赖性.在实验部分首先确定模型的超参数,然后对模型部件的有效性进行验证,最后通过对比实验验证了所提出的DAFDC-RNN模型在大特征量数据集上具有最佳的预测效果.

关 键 词：时间序列 预测分析  深度学习  目标注意力  全维度卷积  时间注意力  

分 类 号：TP273]