-
题名多机理指导的深度学习工业时序预测框架
- 1
-
-
作者
李姜辛
王鹏
汪卫
-
机构
复旦大学计算机科学技术学院
-
出处
《计算机工程》
北大核心
2025年第7期47-58,共12页
-
基金
国家重点研发计划(2020YFB1710001)。
-
文摘
工业时序预测对于优化生产过程和增强决策制定至关重要。现有基于深度学习的方法由于缺乏领域知识而常常效果不理想。现有研究使用机理模型指导深度学习以解决此问题,但这些方法通常只考虑单一机理模型,忽略了工业过程中多个时序预测机理的情形以及工业时序的复杂性。为此,提出基于注意力机制的多机理指导的深度学习工业时序预测(M-MDLITF)通用框架,其能够将多个机理嵌入深度工业时序预测网络指导训练,并且将不同机理的优势通过注意力机制集成于最终预测结果。多机理深度维纳(M-DeepWiener)作为M-MDLITF框架的实例化方法,利用上下文滑动窗口和Transformer编码器架构来挖掘工业时序的复杂模式。在1个模拟数据集和2个真实数据集上的实验结果表明,M-DeepWiener具有良好的运行效率和鲁棒性,比单机理深度维纳(DeepWiener)、经典维纳机理和纯数据驱动方法具有更高的预测准确率,其中在模拟数据集上比单机理模型DeepWiener-M1的误差降低了20%。
-
关键词
工业时序预测
深度学习
机理模型
多机理集成
复杂模式挖掘
-
Keywords
industrial time-series prediction
deep learning
mechanism model
multi-mechanism integration
complex pattern mining
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
