变步长长期预测
结合CNN时间序列分解与LSTM特征提取，面向水产养殖中不稳定、非线性且时滞显著的溶解氧动态，实现多时间分辨率的高精度预测。
刘金存 · Zhang, Chi · 安冬 · 位耀光
Computers and Electronics in Agriculture 2024
与LSTM、TCN、CNN-LSTM和Informer相比，预测误差分别降低82.4%、46.6%、72.6%和17.4%，模型精度显著提升。
通过掩码损失函数，模型能够以不同时间分辨率进行预测，适用于多步和变步长场景，而传统方法通常局限于单步或固定步长。
CNN进行时间序列分解，LSTM提取时序特征，有效应对水质数据的不稳定性、非线性和时滞特性。