面向时间序列预测的时间-空间分解与融合网络

时间序列预测需借助特征工程以获得更好结果，而分解是关键一环。标准时间序列分解缺乏灵活性与鲁棒性，故一种分解方法往往难以用于众多预测任务。传统特征选择严重依赖既有领域知识，无通用方法且费时费力。然而，多数基于深度学习的时间序列预测模型存在可解释性问题，其“黑箱”结果导致缺乏可信度。应对上述问题的动机即源于此。本文提出TSDFNet，一种具有自分解机制与注意力特征融合机制的神经网络，其摒弃将特征工程作为预处理惯例，创造性地将其作为内部模块与深度模型集成。自分解机制赋予TSDFNet对任意时间序列的可扩展与自适应分解能力，用户可自选基函数将序列分解为时间维与广义空间维。注意力特征融合机制能够捕捉外部变量的重要性及其与目标变量的因果关系，可自动抑制不重要特征并增强有效特征，使用户无需纠结于特征选择。此外，TSDFNet易于通过特征可视化窥探深度神经网络的“黑箱”并分析预测结果。我们在十余个数据集上展示了相较现有广泛接受模型的性能提升，且三项实验彰显了TSDFNet的可解释性。