D-CTNet：一种带频域校正的双分支通道-时序预测网络
机器学习
2025-12-02 v1
摘要
准确的多变量时间序列（MTS）预测对于复杂系统的协同设计、数字孪生构建以及提前维护至关重要。然而，协同工业环境为MTS预测模型带来了新挑战：模型应解耦复杂的变量间依赖关系，同时应处理由环境变化带来的非平稳分布迁移。为解决这些挑战并提高协同感知可靠性，我们提出一种基于补丁的双分支通道-时序预测网络（D-CTNet）。特别地，通过并行双分支设计集成线性时序建模层和通道注意力机制，我们的方法显式解耦并联合学习 intra-channel时序演化模式和动态多变量相关性。此外，一个全局补丁注意力融合模块超越局部窗口范围，建模长程依赖。最重要的是，针对非平稳性，一个频域平稳性校正机制通过谱对齐自适应抑制环境变化带来的分布迁移影响。在七个基准数据集上的评估表明，我们的模型在预测准确性和稳健性方面优于最先进的方法。我们的工作在工业协同系统中显示出作为新型预测引擎的巨大潜力。
引用
@article{arxiv.2512.00925,
title = {D-CTNet: A Dual-Branch Channel-Temporal Forecasting Network with Frequency-Domain Correction},
author = {Shaoxun Wang and Xingjun Zhang and Kun Xia and Qianyang Li and Jiawei Cao and Zhendong Tan},
journal= {arXiv preprint arXiv:2512.00925},
year = {2025}
}