周期性注意力预测模型

多步长预测更准

通过并行跳跃LSTM与周期信息利用模块强化跨周期时间步关联，同时嵌入改进的变量选择机制以提升可解释性。

Jin, Fang · Xin, Guo · 刘雨佳 · Xiaokun, Chang · Fujita, Hamido · 吴坚

Computers and Industrial Engineering 2023

技术优势

强化跨周期时间步关联

并行跳跃LSTM与周期信息利用模块直接连接不同周期间对应的时间步，使模型能更有效地利用周期性特征。

提升可解释性

改进的变量选择机制在分析可解释性时能够考虑时间顺序信息，从而识别出重要的时间变量。

预测精度超越基线

在多种真实数据集上的实验表明，该模型在预测精度上优于众多基线模型。

应用场景

• 时间序列预测：利用强化后的周期性特征，对具有周期规律的业务指标进行更准确的多步长预测。
• 传感器数据分析：处理传感器时间序列中的周期波动，提升预测精度并识别关键时间变量。
• 工业系统健康监测：对具有周期性运行模式的工业设备状态进行更可靠的多步预测，辅助健康评估。