高维特征映射时序模型

轻量快10倍

将一维时序解耦为多维映射，用轻量架构同时捕获局部依赖与全局关联，预测精度超越现有最优模型。

Shixiang, Tang · 管业鹏

Applied Soft Computing Journal 2025

参数信息

相对提升

8.40 %

速度提升倍数

10-41 ×

技术优势

精度反超 SOTA

在 10 个基准数据集上相对现有最优方法平均提升 8.40%，因为高维映射与二维空洞卷积组合能同时捕获局部依赖和全局关联。

快 10–41 倍

轻量架构带来显著速度提升，模型运行比现有方法快约 10–41 倍，使及时预测成为可能。

计算资源极低

在保持高精度的同时，训练和推理仅需极低的计算资源，便于在资源受限环境中部署。

应用场景

• 时序预测：直接替换现有预测模型，获得更高精度和更快推理。
• 预测性维护：在设备数据流上实时预测剩余寿命，降低停机风险。
• 物联网数据分析：在资源受限的 IoT 设备或边缘端运行长期分析。
• 能源负荷预测：快速准确预测电力需求，支持电网调度和节能。
• 工业过程监控：实时监测过程变量并预警异常，保障生产稳定性。