摘要
多变量传感器时间序列预测对于工业环境中的可靠决策至关重要。然而，传感器观测可能受到退化模式的影响，包括尖峰、噪声、漂移、卡值和缺失观测，这些都可能降低预测精度。为解决此问题，本文提出了SeTFiN（自数据生成与时间-频率融合网络），用于多变量传感器时间序列预测。SeTFiN将面向退化的自数据生成（SDG）与时间-频率融合相结合。在训练过程中，SDG在对应的时间和频率补丁索引处应用特定领域的扰动，无需额外的标记退化数据。该架构在专家编码前执行频率引导的跨域特征校正（CDFR），并在专家建模后自适应地融合时间和频率特征。实验在五个公开的预测基准和真实世界的工业半导体制造数据集（SFD）上进行。SeTFiN在公开基准上取得了有竞争力的性能。在三种子干净SFD评估中，它在所比较的模型中实现了最低的整体平均误差，均方误差（MSE）为11.628，平均绝对误差（MAE）为0.870。在应用于SFD测试输入的五个受控合成退化条件下，SDG在所有退化类型下都降低了MSE，而对MAE的影响则有所不同。SeTFiN在若干长回溯设置中也保持了竞争力，尽管其相对性能取决于数据集和输入长度。这些结果支持了在所评估的干净和受控合成退化条件下，协调的SDG和时间-频率融合的有效性。
