结合离散傅里叶变换和轻量级专家混合模型的多变量变分模态分解方法,用于预测具有强烈波动性的多变量时间序列

《Expert Systems with Applications》:Multivariate variational mode decomposition combined with discrete Fourier transform and lightweight Mixture-of-Experts models for predicting multivariate time series with strong volatility

【字体: 大 中 小 】 时间:2025年12月11日 来源:Expert Systems with Applications 7.5

编辑推荐:

  多变量强波动时间序列预测中提出VD-MoGRU混合模型,通过MVMD与DFT的二维分解算法提取主要趋势和傅里叶特征,结合轻量级门控GRU混合专家架构分散误差,有效解决信息遗漏和模型过拟合问题,在短长期预测中显著优于现有方法。

  
时间序列预测在能源管理、仓储物流、气候变化和金融分析等领域具有重要应用价值。当前研究面临两大核心挑战:一是数据中存在间歇性波动和随机噪声导致有效信息提取困难;二是多变量之间存在复杂关联,传统预测方法难以有效建模。针对上述问题,该研究提出一种创新性的混合预测框架VD-MoGRU,通过改进数据分解算法和构建轻量化预测器实现性能突破。

数据预处理阶段采用改进的MVMD-DFT两阶段分解算法。传统多变量方差模式分解(MVMD)在处理高波动数据时存在信息丢失问题,特别是当变量间关联性较弱时。为此,研究团队设计了动态频率筛选机制,首先通过MVMD分离主要时频模式,随后针对剩余高频分量采用均匀分组离散傅里叶变换(DFT)。这种分组方式突破传统Top-K频率选择的局限性,将高频噪声分散到多个子频段,使每个子频段包含更均衡的信息量。实验表明,该方法在ETTh1电力负荷数据集上相比MVMD可将均方误差降低23%,而在EV充电需求这种高波动数据集上,重构序列的方差保留率提升至78%。

预测模型构建方面,研究团队创新性地将混合专家(MoE)架构引入时间序列预测。传统的RNN模型在处理多变量数据时存在两个突出问题:一是参数量随变量数呈线性增长,二是专家间信息共享不足导致激活稀疏化。为此,研究提出MoGRU双阶段训练策略:第一阶段采用动态路由机制强化专家协同,第二阶段引入对抗性训练优化专家分工。具体实现中,每个专家模块采用轻量级GRU结构,通过门控机制实现时序特征的有效压缩。对比实验显示,在12个变量规模的数据集上,MoGRU相比单专家GRU模型参数量减少42%,而预测精度提升17%。

多变量建模环节的创新体现在信息融合机制设计。研究团队发现,传统DBHMs(分解-预测混合模型)存在两个关键矛盾:分解阶段过度追求单一主成分导致信息损失,预测阶段多变量关联建模导致参数膨胀。为此,VD-MoGRU提出分层信息融合策略:在分解层采用多尺度时频分析,确保不同频段特征的有效保留;在预测层构建动态权重分配机制,根据变量间相关性实时调整各专家模块的输入权重。这种设计使得在EV充电需求这种强关联变量间差异较大的数据集上,模型仍能保持82%的跨变量协同效应。

实验验证部分选取了四个典型领域数据集:电力负荷(ETTh1)、交通流量、环境监测和金融交易数据。其中,EV充电需求数据集展现出显著特点:时间序列中包含超过60%的未知随机波动,且各变量间相关系数在0.15-0.32之间波动。VD-MoGRU在该数据集上的表现尤为突出,在24小时超前预测任务中,较基准模型MAE(平均绝对误差)降低39%,RMSE(均方根误差)降低28%。特别值得注意的是,在72小时长期预测任务中,传统LSTM模型的误差指数级增长,而VD-MoGRU通过分解-预测-重构的三阶段机制,将误差增长率控制在14%以内。

消融实验揭示了各模块的关键作用:数据分解阶段若仅采用MVMD,在EV充电数据集上的误差比完整模型高42%;若预测器不采用MoE架构,模型在多变量场景下的性能下降达35%。特别设计的两阶段训练策略有效解决了专家模块间的激活稀疏问题,实验显示经过对抗训练的MoGRU模型在跨变量协同预测任务中,准确率提升达28%。

模型优势分析表明,VD-MoGRU在三个维度实现突破:首先,分解算法将信息保留率从传统方法的68%提升至89%;其次,专家架构使模型在12-24个变量场景下参数量减少40%的同时保持预测性能;最后,动态路由机制使跨变量信息传递效率提升55%。这些改进使模型在处理高维、强波动数据时展现出显著优势。

该研究对时间序列预测领域的理论发展具有重要启示:在数据层面,需要建立更鲁棒的特征分解机制;在模型层面,应平衡多变量建模的复杂度与信息利用效率;在训练策略上,动态调整机制可有效缓解模型过拟合问题。未来研究方向建议在以下领域深入探索:1)开发面向极端天气事件的多源异构数据融合方法;2)构建跨模态时间序列预测框架;3)优化分布式计算环境下的模型推理效率。

在工程应用方面,研究团队已将模型部署到三个实际场景:电网负荷预测系统、智能仓储管理系统和空气质量预警平台。实测数据显示,电网调度系统的预测误差降低至传统方法的1/3,仓储管理系统库存预测准确率提升21%,空气质量预测提前量延长至72小时。这些成果验证了模型在工业场景中的实用价值。

该研究为处理高维、强波动时间序列预测提供了新的方法论框架。其创新点在于:1)提出多阶段自适应分解算法,解决传统分解方法的信息保留不足问题;2)设计轻量化混合专家预测器,有效平衡多变量建模的复杂度与性能;3)开发动态路由训练策略,缓解专家模块间的激活稀疏化问题。这些技术突破使得模型在极端波动场景下仍能保持稳定性能,为工业级时间序列预测系统开发提供了可扩展的解决方案。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号