风电预测误差降11.9%
将Transformer注意力机制扩展到频域，利用稀疏性同时解决时间顺序不敏感和噪声干扰问题，并首次系统比较五种先进时序模型在风电预测中的表现。
Hexian, Wang · Guo, Dongjie · Wang, Lingmei · Zhou, Tongming · Jia, Chengzhen · Liu, Yushan
Energy 2025
频域稀疏注意力通过傅里叶变换将序列映射到频域并利用稀疏性，使模型对时间顺序敏感，弥补标准注意力置换不变的缺陷。
频域稀疏注意力只关注少数重要频率，自动抑制噪声频段，从而提高预测精度。
在频域利用稀疏性减少了注意力计算量，使模型更适合处理长序列风电数据。
下采样交互学习算法在趋势分量上融合短时和长时特征，改善趋势建模。