CNN增强型Informer模型在工业时间序列预测中的应用及性能优化

作     者：李嘉源 王晓东 何启学 LI Jiayuan;WANG Xiaodong;HE Qixue

作者机构：中国科学院成都计算机应用研究所成都610213 中国科学院大学北京100049 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2024年第44卷第S2期

页      面：79-83页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：四川省重点研发计划项目(2023YFG0113) 四川省科技成果转化示范项目(2023ZHCG0005) 

主　　题：时序预测 工业数据 卷积神经网络 Informer模型 短时傅里叶变换 

摘      要：在实际的工业生产中,Informer模型自身的概率稀疏机制会导致在特征提取时大量时序特性的丢失。为了克服Informer模型的这种缺陷,同时兼顾工业生产中对预测速度和效率的要求,提出一种使用卷积神经网络(CNN)增强的Informer模型。该模型引入短时傅里叶变换(STFT)处理序列获取数据在频域的特征,以进一步减少概率稀疏注意力机制带来的特征丢失,并提高预测准确度。在ETT(Electricity Transformer Temperature)、ECL(Electricity Consumption Load)公开数据集和一个私有数据集上,所提模型与工业领域应用最广泛使用的长短期记忆网络(LSTM)、自回归积分滑动平均(ARIMA)模型等4种模型进行对比实验的结果表明,所提模型的均方误差(MSE)和平均绝对误差(MAE)两项指标均有下降,性能有所提升。