计算机科学与探索

作者：闵锋, 刘宇卓, 刘煜晖, 刘彪

单位：武汉工程大学 计算机科学与工程学院 智能机器人湖北省重点实验室，武汉 430205

关键词：多变量时间序列预测,Transformer,序列分解,频域注意力机制,深度学习

基金：国家自然科学基金（62171328）；武汉工程大学研究生教育创新基金（CX2024144）。

目前多变量时间序列预测方法主要是将时间序列转换为频域表示来提取特征信息，然而频域表示下序列会损失部分时域信息造成精度损失，且传统注意力机制会产生平方级时间复杂度。针对上述问题，提出了一种基于时域频域混合特征的多变量时序预测模型（TFMformer）。模型采用多尺度切分操作，以多尺度混合的视角分解出更准确语义，增强模型捕获序列综合语义信息的能力并通过切片操作减少模型输入token数来降低时间复杂度。提出时域频域混合特征增强模块，将时域和频域特征进行融合与交互，从而提升整体特征表征能力。同时提出在频域注意力的基础上引入时域特征信息，提升频域空间对时域信息感知能力，使得模型能够更精准地聚焦于有意义的特征组合，减少因时域信息缺失造成的预测偏差。TFMformer模型在6个基准数据集上进行了实验，预测结果与现有的先进方法相比，均方误差和平均绝对误差分别平均下降了3.8%和2.8%，其中平均绝对误差最高下降了11.2%，证明了该模型的有效性。

来源：2025年第8期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第8期