基于自适应多尺度注意力双通道模型的时间序列预测方法DASformer及其应用

本文提出DASformer模型，通过双通道多变量提取器和自适应多尺度注意力机制（Adaptive Multi-scale Attention），有效解决多元时间序列中短期波动与长期趋势的耦合难题。该模型在九个基准数据集上实现state-of-the-art性能，特别在长期预测任务中展现显著优势，为医疗健康、能源管理等领域的时序数据分析提供新范式。

　　

亮点

• 提出基于Transformer的DASformer模型，采用温度衰减学习率调度策略优化训练过程

• 结合双通道多变量提取器与自适应多尺度注意力机制，实现多尺度特征动态依赖关系建模

• 在九个真实世界数据集的实验中验证模型有效性，长期预测精度显著提升

时间序列分解方法

时间序列数据通常包含季节性波动和长期趋势等复杂成分。为提高预测精度，研究者常将序列分解为独立成分以便分别捕捉特征。例如Autoformer通过移动平均核实现序列分解，从而提升模型预测能力。

方法论

给定历史观测数据X = {x₁, x₂, …, x_N} ∈ R^N×C（N为回溯窗口长度，C为变量数），目标是预测未来m个时间步的序列Y = {x_N+1, …, x_N+m} ∈ R^m×C。对于单变量预测任务，输入数据仍为长度N的序列，但变量数C=1，需生成一维预测序列。

数据集

本研究在9个精选数据集上评估模型长期预测性能，包括Weather、Traffic、Electricity等，数据采样频率覆盖分钟级至季度级。短期预测评估则基于PEMS03等四个数据集，确保评估全面性。

结论

DASformer通过双通道结构和自适应多尺度注意力机制，有效建模多变量依赖与跨尺度动态模式。在九个基准数据集上的实验表明，该模型显著提升长期预测精度，在能源调度、医疗健康监测等领域具有广泛应用潜力。