基于部分非对称卷积和子滑动窗口融合的自适应模糊时间序列预测

目前，最先进的预测模型在学习阶段缺乏捕获时空依赖性和综合全局信息的能力。为解决此问题，本文通过时间数据的自适应模糊化构造，提出了一种基于滑动窗口方案的部分非对称设计的新型卷积架构，以实现精确的时间序列预测。首先，改进了传统模糊时间序列的构造策略，以进一步提取短期和长期时间相互关系，使每个时间节点在受限滑动窗口内自动拥有相应的全局信息及其内在关系，且该过程无需人工参与。其次，设计了一种双边空洞算法，以在不牺牲元素全局特性的情况下降低所提模型的计算需求，并允许模型避免处理冗余信息。第三，在时间序列变换后，设计了一种部分非对称卷积架构，以通过特征图上不同方向的滤波器更灵活地挖掘数据特征，这赋予了卷积神经网络（CNN）在现有滑动窗口内构建子窗口以进行更细粒度建模的能力。在获得不同层次的时间序列信息后，来自不同子窗口的多尺度特征将被发送到相应的网络层进行时间序列信息融合。与其他竞争性现代模型相比，所提方法在大多数流行时间序列数据集上取得了最先进的结果，实验结果充分验证了这一点。