融合时域卷积、残差结构和注意力机制的时序预测

• 作者: 孙思宇 张标标 吴俊宏 马仕强 任佳
• 来源期刊: 计算机系统应用
• 关键词: 时域卷积 时间序列 注意力机制 深度学习 医院流水
• 年，卷（期）: 2021,（9）
• 所属期刊栏目: 软件技术·算法|Software Technique · Algorithm
• 页码范围: 145-151
• 页数: 7页
• 语种: 中文
• DOI: 10.15888/j.cnki.csa.008061

摘要

对于具有长、短期的时间关联性、非线性和非平稳性等特点的时序数据,传统时序预测模型对此类数据的预测效果不佳.为进一步提高时序预测模型的准确率和效率,考虑时域卷积提取时间特征的有效性,以及残差结构加快模型收敛的优越性,同时考虑注意力机制对参数的强化作用,提出了一种融合时域卷积、残差结构和注意力机制的时序预测模型(Attention Temporal Convolutional Neural Network,A-TCNN).首先,通过多层残差时域卷积层提取时序数据的长、短期特征;其次,通过注意力机制加强对输出影响较大的参数的权重;最后,通过一个全连接层得到输出结果.在实际医院流水的数据集上,与常规网络对比,比较多种多步预测策略.实验结果表明,该模型与常规模型相比具有更好的预测精度和效率.