计算机科学与探索

作者：冯强, 赵建光, 杨茸, 牛保宁

单位：1. 太原理工大学 计算机科学与技术学院（大数据学院），山西 晋中 0306002. 天津市医疗服务评价和指导中心，天津 300131

关键词：时间序列预测,非平稳,高波动,长短期记忆神经网络,多头自注意力

基金：山西省重点研发计划（202302010101004，202102010101004）；山西省基础研究计划（202203021222093，202203021212282）。

时间序列预测的难点在于如何处理好非平稳性和波动性。在应对非平稳性时，现有深度学习模型在训练前采取平稳化输入序列的方法，存在消解非平稳性能力不强或信息损失的问题；在应对波动性时，通常采用带有单头注意力机制的LSTM模型，捕获全局依赖能力弱，影响预测精度。针对上述问题，在处理非平稳性方面，提出遵循“提取-分解”原则的Prophet-CEEMDAN二次分解法，将原始序列分解为一组分量，该方法在确保趋势和周期特征完整的情况下，提高分量集合中平稳分量的占比，为预测模型提供更稳定的数据分布。在波动性方面，通过使用带有多头自注意力机制的长短期记忆（LSTM-MH-SA）神经网络模型，并行地堆叠注意力头用于捕获序列不同时间段的波动特征并联系起来，提高捕获全局波动信息的能力。结合Prophet-CEEMDAN和LSTM-MH-SA，提出能够同时处理时间序列非平稳性和高波动性的PCLMS模型。在多个股票数据集和合成数据集上的实验表明，对比基准模型、CNN-LSTM和Informer模型，PCLMS模型在各项评价指标的平均值最优，对波动率较高的数据集性能表现最好。

来源：2025年第5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5期