机器学习和深度学习的快速发展使得在电力系统的电力负荷预测等应用方面取得了广泛的成果。本文提出了一种可解释的深度学习方法，通过学习每个神经网络对输入时间特征进行关注的线性组合来实现。并且，我们提出了多尺度时序分解方法来处理复杂的时间模式。在比利时中央电网负荷数据集上进行了案例研究，结果表明所提出的模型相对于频繁应用的基准模型具有更好的准确性。此外，本方法不仅能展示特征的解释性，还能展示与其他基准方法相比的时间解释性，同时还能获得全局时间特征的解释性，这使得我们能够捕捉到负荷数据的整体模式、趋势和周期性，同时揭示了各种与时间相关的特征在形成最终输出中的重要性。

Feb, 2024

提出了一种名为 MSD-Mixer 的多尺度分解 MLP-Mixer 模型，该模型通过学习将时间序列分解成不同的组成部分，并在不同层级上表示这些组成部分，以处理多尺度时间模式和通道间的依赖关系。通过在各种实际数据集上进行广泛实验，包括长期和短期预测、插补、异常检测和分类等五个常见时间序列分析任务，证明了 MSD-Mixer 在性能上明显优于其他最先进的任务通用和任务特定方法。

Oct, 2023

本研究提出了一种基于深度学习的新颖转移架构 SeDAN，通过从跨域数据集中对可转移的知识进行对齐来提高目标领域的预测性能，采用隐式对比分解来对原始特征进行分解，并针对不同域的分解特征设计相应的适应性方法，实验表明 SeDAN 可以提供更高效，更稳定的知识传递，可应用于多元时间序列预测。

Jun, 2023

一篇研究时间序列的多变量预测的可解释神经网络模型，通过循环神经网络学习数据的时间依赖性，配合基于注意力的特征选择组件来选择最相关和抑制冗余的特征，通过独立训练选定特征的模块化深度网络，展示特征对结果的影响，从而使模型可解释。实验结果表明，该方法在时间序列的回归和分类任务中优于现有的可解释神经加性模型（NAM）及其变体，且达到与时间序列的非可解释方法 LSTM 和 XGBoost 相媲美的预测性能。

Nov, 2023

利用 VMD-LSTM-GARCH 模型，将时间序列分解为子模式，并从这些子模式中提取波动率信息，然后利用长期短期记忆网络对每个子模式进行预测，最后将所有子模式的预测结果进行聚合，通过集成计量经济学和人工智能方法，考虑时间序列的数字和波动率信息，该模型在时间序列预测中具有优越的性能。

Oct, 2023

金融时间序列的准确预测对市场经济参与者和投资者至关重要。本文选择在线商店销售和澳大利亚啤酒销售作为非平稳、趋势和季节性金融时间序列的代表，并以非线性组合方式构建了一个新的 SGVMD-ARIMA 组合模型来预测金融时间序列。ARIMA 模型、LSTM 模型和其他经典分解预测模型作为对照模型，比较不同模型的准确性。实证结果表明，构建的组合预测模型相对于单一预测模型和线性组合预测模型具有普适优势。在预测区间内，我们提出的组合模型相对于传统分解预测对照模型具有改进优势。

Jun, 2024

本研究提出了一种基于分解的统一预测框架 ——LSTM-MSNet，用于预测具有多个季节性模式的时间序列数据。通过结合一系列最先进的多季节性分解技术，我们在来自不同数据源的数据集上进行了实验并展示了 LSTM-MSNet 的优势，同时也发现在单一应用程序的均质系列数据中，外生季节变量或没有季节性预处理是更好的选择。

Sep, 2019

本篇论文研究了如何使用单变量时间序列预测复杂时间序列（如印度季风降雨量）。作者提出了一种新的 Moving Front 方法来防止数据泄漏，并使用经验小波变换将季风降雨量分解为较简单的构成序列。所提出的 EWT-MF-LSTM 模型表现出良好的预测性能。

Mar, 2023

我们提出了一种新颖的基于 MLP 的自适应多尺度分解 (AMD) 框架用于时间序列预测，该框架在多个尺度上将时间序列分解为不同的时间模式，并利用多尺度分解混合 (MDM) 模块将这些模式进行拆分和聚合，通过双重依赖交互 (DDI) 模块和自适应多预测合成 (AMS) 模块有效地建模时间和通道依赖性，并利用自相关性来提炼多尺度数据集成。全面的实验表明，我们的 AMD 框架不仅克服了现有方法的局限性，而且在各种数据集上的长期和短期预测任务中始终取得了最先进的性能，展示了出色的效率。

Jun, 2024

我们提出了一种方法，将多变量信号表示为图中的节点，通过图神经网络和注意力机制来高效学习时间序列数据中的潜在关系，并建议使用分层信号分解来捕捉多个空间依赖关系，实验证明我们的模型在长期预测任务中优于现有模型，平均均方误差 (MSE) 减少了 23%。

Nov, 2023