用于预测混沌动力学的平行 BiLSTM-Transformer 网络
机器学习
2026-03-18 v1 人工智能
摘要
混沌系统的非线性本质导致其对初始条件极其敏感，并表现出高度复杂的动力学行为，这构成了准确预测其演化的根本挑战。为克服传统方法无法同时捕捉混沌时间序列中局部特征和全局依赖关系的局限性，本研究提出了一种集成 Transformer 和双向长短期记忆网络（BiLSTM）的平行预测框架。该混合模型采用双支架结构，其中 Transformer 支架主要捕获长程依赖关系，而 BiLSTM 支架专注于提取局部时序特征。两种支架的互补表征通过专门的特征融合层进行整合，以增强预测精度。作为示例，本文在两个代表性任务上系统评估了该模型的性能，即 Lorenz 系统中的自主演化预测和未测量变量的推断。前者通过递归外推系统轨迹（基于状态向量的时间延迟嵌入），评估其长期跟踪精度和稳定性；后者通过时间延迟嵌入的部分观测数据重建未观测状态，评估其状态补全能力。结果一致表明，所提出的混合框架在所有任务中均优于单支架架构，显示出其在混沌系统预测中的鲁棒性和有效性。
关键词
引用
@article{arxiv.2510.23685,
title = {Parallel BiLSTM-Transformer networks for forecasting chaotic dynamics},
author = {Junwen Ma and Mingyu Ge and Yisen Wang and Yong Zhang and Weicheng Fu},
journal= {arXiv preprint arXiv:2510.23685},
year = {2026}
}
备注
9 pages,7 figures