一种用于预测自相似和多分形时间序列的分形神经架构自适应设计方法

《Applied Sciences》：A Methodology for Adaptive Design of Fractal Neural Architectures for Forecasting Self-Similar and Multifractal Time Series

　　

传统的循环和卷积-循环神经架构通常能有效捕捉局部和序列依赖关系，然而，它们可能不足以表示具有分形或多分形特性的时间序列中出现的层级尺度依赖结构。本研究通过修改分形块，改进了FractalNet-LSTM架构，以解决这一局限性。不同于将分形块视为固定组件，所提出的方法引入了参数化分支（parametric branching），允许并行计算路径的数量适应被分析时间序列的结构复杂性。该研究在三个来自不同领域的时间序列数据集上评估了所提出的架构。在模型训练之前，研究人员使用评估自相似性、长程依赖性和多分形特性的方法对数据集进行了分析。将修改后的FractalNet-LSTM的预测性能与LSTM、BiLSTM、CNN-LSTM以及经典FractalNet-LSTM模型在多个预测视野上进行了比较。实验结果表明，该架构能提高对具有显著分形和多分形特征的时间序列的预测精度。这一优势在具有异质尺度依赖行为的数据集上最为明显，而对于弱多分形或近单分形序列，改进则不那么显著。例如，在工业锅炉数据集（Industrial Boiler dataset）上，与经典FractalNet-LSTM相比，所提模型在8步预测视野上将R²从0.8046提升至0.9195。在绿色能源需求数据集（Green Energy Demand dataset）上，1步预测视野的R²从0.9316增至0.9808，8步预测视野的R²从0.7357增至0.8445。结果表明，较短的预测视野可能需要较少的分支，而较长的预测视野和更复杂的多分形结构则可能受益于更深或更具表达力的分形块。

**论文解读：基于参数化分支的自适应分形神经架构用于自相似与多分形时间序列预测**

**研究背景、问题与动机**

时间序列预测在能源、金融、医疗、交通、工业生产和气象等多个领域具有广泛应用，是决策与资源分配的重要支撑。传统统计模型（如ARIMA、SARIMA）在处理非线性、非平稳或具有复杂时间依赖性的数据时存在局限，而真实世界的时间序列常表现出这些特征。近年来，混合神经网络模型（如结合循环门控单元）在捕捉非线性时间模式方面取得进展，但针对具有显式自相似性和多分形特征的时间序列，现有神经架构的设计仍不充分。分形神经网络（Fractal Neural Networks）因结合分形几何与神经网络，能够通过自相似原则在多个抽象层次上提取特征，特别适用于具有长期和周期依赖性的时间序列。然而，现有研究对于分形架构在时间序列预测中的适用条件尚未系统阐明，例如经典FractalNet-LSTM将分形块固定为两分支结构，难以适应不同数据结构的复杂性。本研究旨在解决这一不足：通过修改分形块，引入参数化分支（parametric branching），使分支数量成为可调的设计参数，从而根据时间序列的自相似性和多分形特性自适应调整架构，提升预测精度。

**研究内容与结论**

研究人员提出了一种改进的FractalNet-LSTM架构，其核心是修改后的分形块（modified fractal block），该块允许并行计算路径的数量（从3到5个分支）作为显式可调参数。在三个来自不同领域的时间序列数据集（工业锅炉运行数据、绿色能源需求数据、交通流量数据）上进行实验，先通过DFA、Abry–Veitch、GPH、MF-DFA和Wavelet Leaders方法评估数据的自相似性、长程依赖性和多分形特性，然后将所提模型与LSTM、BiLSTM、CNN-LSTM及经典FractalNet-LSTM对比，在1步和8步预测视野下使用MAE、MAPE、RMSE和R²等指标评估。实验结果表明：对于具有显著分形和多分形特征的数据集（如工业锅炉数据），所提模型在短、中预测视野上均优于所有基线，R²最高提升0.11；对于绿色能源需求数据，3分支结构在短中期表现最佳，5分支结构在长期表现更优，R²提升约0.05-0.11；对于弱多分形、近单分形的交通数据，改进效果有限，CNN-LSTM反而更优。结论证实，分形神经架构的有效性依赖于时间序列的分形和多分形强度，分支数量应根据数据结构和预测视野自适应调整。该研究发表在《Applied Sciences》。

**关键技术方法简介**

研究人员主要采用以下关键技术：首先，通过DFA（Detrended Fluctuation Analysis，去趋势波动分析）估计标度指数α，通过Abry–Veitch方法基于离散小波变换估计Hurst参数H，通过GPH（Geweke–Porter–Hudak）方法基于对数周期图回归估计分数积分参数d，以评估自相似性和长程依赖性；其次，通过MF-DFA（Multifractal Detrended Fluctuation Analysis，多分形去趋势波动分析）和Wavelet Leaders方法分析多分形特性，获取广义Hurst指数h(q)、奇异谱f(α)和标度结构函数ζ(q)。在模型构建中，将修改后的分形块（支持k个并行Conv1D路径，递归深度为4，通过drop-path正则化，训练时用归一化和，推理时用平均）与LSTM头（两层LSTM，128个隐藏单元）结合，采用Adam优化器、学习率0.001、批次大小64、最大1000轮次、早停和学习率衰减，使用PyTorch 2.5在NVIDIA RTX 2060上训练。所有数据集按时间顺序70%训练、15%验证、15%测试，使用min-max归一化，输入窗口长度为64。样本来源为公开数据集：工业锅炉数据（Industrial Boiler Operations dataset，来自真实工业场景，6天每5秒粒度）、绿色能源需求数据（Green Energy Demand-Time Series Dataset，12年能源消费数据，含缺失值经线性插值）、交通数据（Traffic Time Series Dataset，合成数据，一年粒度）。

**研究结果**

**3.1 时间序列分形特性的综合评估**

研究人员通过DFA、Abry–Veitch、GPH、MF-DFA和Wavelet Leaders方法对三个数据集进行标度分析。工业锅炉数据集表现出最显著的多分形行为，Δh=0.657，Δα=0.832，h(q)曲线呈S形，f(α)谱不对称且右尾长，DFA α=0.832，表明强持久性和异质尺度结构。绿色能源需求数据集呈中等多分形，Δh=0.31，Δα=0.57，f(α)谱相对对称，DFA α=1.224，表明反持久性。交通数据集表现出最弱的多分形性（Δh=0.215，Δα=0.383），但自相似性最清晰，DFA曲线最线性（α=0.897），谱图对称，接近单分形。

**3.2 时间序列预测结果对比**

在工业锅炉数据上，改进FractalNet-LSTM在1步和8步预测视野上均取得最佳或接近最佳结果，R²分别达0.9391和0.9195，相比经典FractalNet-LSTM提升约0.001和0.11。在绿色能源需求数据上，3分支结构在1步和8步视野最优，R²达0.9808和0.8445，相比经典分别提升0.05和0.11；长期预测中5分支结构更优。在交通数据上，分形模型未持续优于CNN-LSTM，特别是长视野下所有模型R²为负，改进模型仅对最短视野有优势，这与该数据弱多分形结构一致。

**3.3 不同分支模式的模型精度比较**

分析表明，对于工业锅炉数据，短视野以3分支最佳，随视野增加更多分支变得更具竞争力，这归因于其强多分形性。对于绿色能源需求数据，参数化分支优于经典两分支，但改进幅度小于工业锅炉数据，因其中等多分形性。对于交通数据，分支增加仅带来有限且不一致的改进，因其弱多分形性，分形块优势不明显。

**讨论与结论总结**

**讨论部分**：研究结果证实，时间序列的结构属性应显式纳入预测模型选择与配置中。初步分析揭示不同数据集的自相似性、长程依赖性和多分形性程度各异，表明时间依赖不仅表现为局部序列模式，还表现为跨时间尺度的尺度依赖结构。改进FractalNet-LSTM的优势在于其多计算路径的嵌入集成，可同时提取短时局部模式和长期依赖。经典两分支分形块对复杂尺度依赖行为不足，参数化分支可根据数据复杂度调整，分支数量与预测视野相关：短视野少分支，长视野多分支。多分形性越强，越适合使用更深或更复杂的分形块。但仅自相似性不足以保证分形架构优势，如交通数据中CNN-LSTM更优，表明分形神经网络在自相似性伴随稳定层级或异质结构时最有效。预处理过程（平滑、重采样）可能影响标度特性和预测性能，需在未来进行消融分析。

**研究结论部分翻译**：本研究证实了使用分形神经网络预测具有分形性、自相似性和多尺度时间依赖性的时间序列的相关性。所提出的改进FractalNet-LSTM架构相比经典两分支FractalNet-LSTM和若干非分形神经架构，提高了预测精度。所提方法的主要优势在于其能够适应分形块的分支结构，并在不同抽象层次上表示时间依赖性。实验结果表明，增加分形块中的分支数量可以提升预测性能，尤其是对于具有更显著分形或多分形特性的数据集以及更长的预测视野。这表明分形块的深度和分支复杂性应根据时间序列的结构属性来选择。特别是当多分形性更显著时，使用更深或更具表达力的分形块更为合理，因为此类架构更适合建模异质标度行为。应承认若干局限性：指标仅对应单次训练运行，需多次随机种子和统计检验确认稳健性；评估基于三个数据集，需在更广泛系列上验证；基线属于循环族，需与卷积、残差和注意力模型比较。未来优先研究方向是建立分支块深度/复杂度与时间序列多分形特性（如Δh、Δα、Δζ）之间的关系，并对多次随机种子实验报告均值±标准差。