计算机应用研究

作者：李怀翱,周晓锋,房灵申,李帅,刘舒锐,

单位：1.中国科学院网络化控制系统重点实验室,沈阳110016；2.中国科学院沈阳自动化研究所,沈阳110016；3.中国科学院机器人与智能制造创新研究院,沈阳110169；4.中国科学院大学,北京100049；5.昆山智能装备研究院,江苏苏州215347；

关键词：多变量时间序列预测,时空图卷积网络,图神经网络,时间卷积网络,

基金：辽宁省重点研发计划资助项目(2020JH2/10100039)；；

为了扩大时空图卷积网络的预测范围，将它应用在关联关系未知场景下的多变量时间序列预测问题，提出一种附加图学习层的时空图卷积网络预测方法（GLB-STGCN）。图学习层借助余弦相似度从时间序列中学习图邻接矩阵，通过图卷积网络捕捉多变量之间的相互影响，最后通过多核时间卷积网络捕捉时间序列的周期性特征，实现对多变量的精准预测。为验证GLB-STGCN的有效性，使用天文、电力、交通和经济四个领域的公共数据集和一个工业场景生产数据集进行预测实验，结果表明GLB-STGCN优于对比方法，在天文数据集上的表现尤为出色，预测误差分别降低了6.02%、8.01%、6.72%和5.31%。实验结果证明GLB-STGCN适用范围更广，预测效果更好，尤其适合自然周期明显的时间序列预测问题。

来源：2022年第12期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第12期