基于TCN-Informer的长短期多变量时间序列预测

李德权; 江涛

doi:10.12404/j.issn.1671-1815.2501107

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (4) :1549-1557 DOI: 10.12404/j.issn.1671-1815.2501107

自动化技术、计算机技术

基于TCN-Informer的长短期多变量时间序列预测

李德权 ,
江涛

作者信息 +

Long-and Short-term Multivariate Time Series Forecasting Based on TCN-Informer

LI De-quan ,
JIANG Tao

Author information +

文章历史 +

摘要

为了解决时间序列预测长期和短期依赖关系的难题，同时捕捉长期趋势和短期动态，并对多变量时间序列中变量间复杂的相互依赖关系进行建模，提出了一种基于时间卷积网络（temporal convolutional network，TCN）的预测方法。首先，采用TCN来有效捕捉序列变量在时间尺度上的特征，同时将压缩-激励模块（squeeze-and-excitation block，SE_Block）应用于TCN的输出。该模块通过增强多变量的表示，有效解决短期依赖性问题，并提高模型捕捉关键短期信息的能力。其次，引入Informer模型来增强长期序列处理能力，不仅有效解决了长期序列预测中的计算效率问题，还增强了模型对全局时间依赖关系的建模能力。最后，在设备状态监测（ETTm1）、交通流量（Traffic）和电力负荷（Electricity）三个数据集上将所提方法与现有的时间序列模型进行实验验证并比较。结果表明：所提出的方法在长期和短期时间序列预测中的误差率较低，能够有效提高多变量时间序列中长期和短期预测性能。

Abstract

In order to address the challenges of long-and short-term dependencies in time series forecasting，while capturing both long-term trends and short-term dynamics，and to model the complex interdependencies among variables in multivariate time series，a forecasting method based on the temporal convolutional network （TCN） was proposed. Initially，the TCN was employed to effectively capture the features of sequence variables across time scales，and subsequently，the squeeze-and-excitation block （SE_Block） was applied to the outputs of the TCN. This module was used to enhance the representation of multivariate variables，resolve short-term dependency issues，and improve the model’s ability to capture critical short-term information. Secondly，the Informer model was introduced to enhance the long-sequence processing capability，which not only effectively addressed the computational efficiency issue in long-sequence forecasting but also strengthened the model’s ability to capture global temporal dependencies. Finally，the proposed method was experimentally validated and compared with existing time series models on three datasets： equipment state monitoring（ETTm1），traffic flow （Traffic），and electricity load （Electricity）. The results show that the proposed method exhibits lower error rates in both long-and short-term time series forecasting. It is concluded that the proposed method can effectively improve the forecasting performance for multivariate time series in both long-and short-term domains.

Graphical abstract

关键词

长短期时间序列 / 多变量时间序列 / Informer / 时间卷积网络（TCN） / 特征提取

Key words

long-and short-term time series / multivariate time series / Informer / temporal convolutional network （TCN） / feature extraction

引用本文

引用格式 ▾

李德权, 江涛. 基于TCN-Informer的长短期多变量时间序列预测[J]. 科学技术与工程, 2026, 26(4): 1549-1557 DOI:10.12404/j.issn.1671-1815.2501107

LI De-quan, JIANG Tao. Long-and Short-term Multivariate Time Series Forecasting Based on TCN-Informer[J]. Science Technology and Engineering, 2026, 26(4): 1549-1557 DOI:10.12404/j.issn.1671-1815.2501107

登录浏览全文

4963

注册一个新账户忘记密码

时间序列预测通过挖掘时间序列中的有效信息，帮助各个领域充分利用已有的数据并预测未来发展趋势，对行业的发展至关重要。例如，电力负荷预测^[1]作为电力系统安全、经济和高效运行的重要基础，对电力网络的规划、运行和决策具有至关重要的影响。在交通领域，交通流量预测对于提高实时交通数据信息的精准性及增加车辆道路行驶的效益性具有重要意义^[2]。工业生产中会产生大量时间序列数据，对这些工业时序数据进行分析和挖掘可以有效保障生产安全、促进工业决策、提高生产效能^[3]。

时序预测任务可分为短期和长期预测，短期预测通常涉及未来12~48个时间单位的预测步骤，而长期预测则扩展至数百个时间点^[4]。另外还需考虑时序数据中多个特征变量之间的相互依赖性。

对于短期时序预测，陈振宇等^[5]利用长短期记忆神经网络（long short-term memory，LSTM）模型处理时间序列数据的序列依赖特性。同时，利用极端梯度提升（extreme gradient boosting，XGBoost）模型处理复杂的时序非线性关系和进行特征选择。卿会等^[6]将光伏输出分解为各模态分量和趋势余项，然后采用支持向量机模型对短期光伏发电预测进行预测，提高预测精度。Heng等^[7]通过采用循环神经网络（recurrent neural network，RNN）捕捉短期时间序列依赖性，解决时间序预测的过拟合问题和不确定性这两大挑战，但由于递归性质，RNN容易遭遇由权重累积导致的梯度问题，这限制其在长期预测中的应用。于是一些研究尝试使用时间卷积网络来识别短期时间依赖性，Wan等^[8]使用时间卷积网络（temporal convolutional network，TCN），有效捕捉时间序列数据中的短期时间依赖关系。赵星宇等^[9]将自适应噪声完备集合经验模态分解方法和TCN、LSTM结合处理电力负荷这一时间序列的问题，并通过实验验证表明方法的精确性及可靠性。

对于长期预测，基于自注意机制的模型，如Transformer^[10]在捕获长期依赖性方面表现出色。然而，Transformer模型在处理时间序列数据时面临显著挑战，其二次计算复杂度和对输入/输出长度的内存消耗导致在推断下一个标记时，模型必须遍历过去标记的序列来建立关系。因此，自注意力机制和Transformer体系结构的效率成为了将其有效应用于时间序列预测的主要瓶颈。Kitaev等^[11]提出Reformer模型，通过正交随机特征的快速注意方法，处理长期序列时内存效率更高，速度更快。王伟等^[12]提出一种基于Informer模型的风机叶根实时载荷预测方法。利用稀疏自注意力和蒸馏机制，能够捕捉到长距离的依赖关系，并显著降低计算过程中的时间复杂度。

对于多变量时序预测，孙超等^[13]提出一种双层XGBoost模型来进行多特征的短期电力负荷预测，并对输入特征的筛选及相关性提取进行优化。宋瑞蓉等^[14]综合考虑多维时空特征，通过融合空间和时间上的多种数据特征，模型能够捕捉到交通流量的复杂变化规律，为交通管理和规划提供科学依据。Zhou等^[15]提出了一种基于LSTM的新模型TE-LSTM，该模型采用时间编码方法来提取多变量时间特征。采用时间加权策略用于优化时间信息的整合，捕获每个元素相对于目标元素的时间关系，并将其集成到 LSTM 中。

基于以上参考采用TCN捕捉序列变量在时间尺度上的特征，并在此基础上构建一个压缩与激励模块执行特征重新校准。该压缩与激励模块的设计旨在通过特征重标定增强TCN对时间序列数据的特征表示能力，从而在处理复杂的时间依赖关系时，网络能够更有效地捕捉到关键特征。将TCN提取的特征信息引入Informer中进行进一步学习，利用Informer的全局信息提取能力和TCN的局部信息建模能力，实现模型在不同时间尺度上的信息提取和处理，从而能够全面捕捉时序数据的特征，用于长短期序列预测。与现有方法相比，所提出的TCN-Informer融合框架具有三方面优势：首先，通过SE_Block增强的特征重标定机制，提升了多变量交互关系的建模能力；其次，独特的局部-全局特征融合架构，实现了长短期依赖的统一建模；最后，时序数据嵌入方法有效解决了多粒度时间信息的表示难题。TCN-Informer融合框架不仅为长短期多变量时序预测问题提供新的解决方案，还为交通管理等实际场景科学决策提供重要技术支撑。

1 长短期多变量时间序列预测问题

在时间序列预测领域，长短期多变量时间序列的预测构成一项极具挑战性的研究。不仅要深入分析单一时间序列的，还需探究多个时间序列之间的相互影响，如变量1~变量3相互依赖关系如图1所示。预测任务主要分为两个维度：短期预测与长期预测。短期预测旨在精确估算未来数个时间步长的变量值，以识别短期内的波动和意外事件的影响；而长期预测则着眼于未来较远时间点的变量值，如图1所示，时间步长0~200步的变化。

解决长短期依赖问题是时间序列预测的核心。时间序列数据蕴含长期趋势与短期波动，这对传统预测模型提出挑战。短期依赖体现数据的短期波动和随机性，如交通流量可能因天气状况或突发事件而出现随机波动。长期依赖则与数据的长期趋势和周期性变化相关，如电力消耗可能因季节性因素呈现出周期性波动。因此，构建能有效处理这些依赖关系的预测模型，成为本研究的关键目标。

2 TCN-Informer融合框架

TCN是一种专为时间序列数据设计的卷积神经网络，通过膨胀因果卷积捕捉短期依赖性和序列动态。TCN允许构建深层网络，以学习时间跨度的信息，并通过膨胀卷积实现高效的序列处理，确保无未来信息泄露。Informer模型是一种针对长时间序列预测的高效模型，基于Transformer架构进行优化。该模型采用稀疏自注意力机制，降低计算复杂度，并通过“信息蒸馏”操作减少维度和网络参数，有效处理超长输入序列。另外通过卷积池化操作进行特征下采样，结合激活函数和最大池化，以减少内存使用并突出关键特征。

融合Informer和TCN模型，可以使模型在不同的时间尺度上进行信息提取和处理，将TCN学习到的特征带入Informer中从而达到融合不同模型的特征。这种融合方式使得模型能够同时利用Informer的全局信息提取能力和TCN的局部空间关系建模能力。Informer的使用提高长时间序列的计算效率，同时TCN利用卷积操作的因果性，通常比RNN更快，尤其在长序列的情况下。这种组合在保证高效计算的同时，提升了预测的精度和可靠性。整体框架如图2所示。

2.1 局部特征建模

为了提升模型的特征提取能力，TCN基于一维全卷积网络（1DFNN）对输入数据进行处理，并采用因果卷积（causal convolutions）确保输出长度与输入相同，TCN网络定义如式（1）所示。

（1）$TCN=1DFNN+causal convolutions$

然而因果卷积处理长期时间序列受限，难以捕捉远距离时间点间的相关性。为解决此问题，采用具有更大感受野的膨胀卷积。给定输入序列$X={{x}_{1}，{x}_{2}，\dots ，{x}_{{L}_{x}}\mid {x}_{i}}\in {R}^{{L}_{x}\times {d}_{x}}，$其中，L_x为时间步数，d_x为每个时间步的特征维度，卷积核f定义在{1，2，…，k-1}上，膨胀卷积F在序列位置s处的运算可表示为

（2）$F（s）=（{X}_{d}*f）（s）=\sum _{i=0}^{k-1}f（i）{X}_{s-di}$

式（2）中：d为膨胀因子，用于控制区间的大小；k为卷积核的大小，即卷积核覆盖的输入序列的元素数量；s为位置索引，s-di为历史中某些信息的定位；*为卷积算子；X_d*f表示输入序列X在膨胀因子为d时进行膨胀卷积操作，使用膨胀因果卷积可以有效地膨胀CNN的接受域。

TCN通过引入膨胀因果卷积（膨胀因子d=1，2，4，核大小k=3）和残差块来处理梯度消失或爆炸问题。TCN整体模型架构如图3所示，残差块由两层膨胀因果卷积、权重归一化、ReLU激活函数和Dropout正则化组成。其中，权重归一化作用于卷积核，ReLU添加非线性特性，而Dropout则用于防止过拟合。为匹配输入输出长度，残差连接采用1×1卷积。此设计可以促进深度网络训练，有助于捕获依赖关系。

通过集成压缩与激励模块，增强在数据上的泛化能力。SE_Block通过squeeze和excitation操作自适应调整特征变量响应，squeeze操作通过全局平均池化处理输入数据，旨在为每个变量提供一个全局性的响应。excitation由两个全连接层组成，第一层全连接层将特征变量压缩到更低的维度，帮助网络学习更紧密的通道依赖关系，应用ReLU激活函数，以引入非线性，增强模型的表达能力。第二层全连接层将数据维度恢复至原始大小，并使用Sigmoid激活函数来计算每个变量的权重，这些权重反映变量间的依赖关系。最终，通过excitation操作获得的权重会逐通道与原始输入特征相乘，以实现加权。这样，每个通道的特征变量都根据其重要性进行调整，最终组合成SE_Block的输出${\stackrel{-}{X}}^{t}={{\stackrel{-}{x}}_{1}^{t}，{\stackrel{-}{x}}_{2}^{t}，\dots ，{\stackrel{-}{x}}_{{L}_{x}}^{t}|{\stackrel{-}{x}}_{{L}_{x}}^{t}}\in {R}^{{L}_{x}\times {d}_{x}}$用于Informer模型的全局时序预测。

2.2 模型的数据嵌入

为了有效提取长距离依赖，Informer模型结合本地时间序列信息与分层时间序列信息（如小时、分钟、秒）。模型采用自适应输入嵌入，涵盖三层特征：标量投影、局部时间戳和全局时间戳嵌入，如图4所示。

然而标准自注意力机制难以利用嵌入特征，且编码器与解码器间的查询键不匹配会影响预测性能。通过正余弦位置嵌入确保局部上下文信息，可以有效解决上述问题。在数据嵌入中序列输入为${\stackrel{-}{X}}^{t}={{\stackrel{-}{x}}_{1}^{t}，{\stackrel{-}{x}}_{2}^{t}，\dots ，{\stackrel{-}{x}}_{{L}_{x}}^{t}|{\stackrel{-}{x}}_{{L}_{x}}^{t}}\in {R}^{{L}_{x}\times {d}_{x}}，$使用固定位置嵌入PE来保存局部上下文信息，如式（3）和式（4）所示。

（3）$PE（{p}_{os}，2j）=sin\frac{{p}_{os}}{（2{L}_{x}{）}^{2j/{d}_{model}}}$

（4）$PE（{p}_{os}，2j+1）=cos\frac{{p}_{os}}{（2{L}_{x}{）}^{2j/{d}_{model}}}$

式中：d_model为特征维度；L_x为输入序列的长度；p_os为当前输入时间点在输入序列中的位置；j为特征向量中的维度索引。

全局时间戳通过有限词汇大小的可学习嵌入表示，使得自注意力机制能够有效计算全局上下文相似性，且对于长序列输入，计算成本在可接受范围内。

为了对齐维度，使用一维卷积核将标量上下文${x}_{i}^{t}$投影到d_model维向量${u}_{i}^{t}$中，3个位置嵌入组合的输入向量可表示为

（5）$\begin{array}{l}{X}_{feed\left(i\right)}^{t}=\alpha {u}_{i}^{t}+PE\left[{L}_{x}\right(t-1)+\left.i\right]+\\ {\sum }_{p}^{}SE[{L}_{x}{(t-1)+\left.i\right]}_{p}\end{array}$

式（5）中：α为平衡标量投影和局部/全局嵌入之间大小的因子，如果数据已归一化，则α=1；u为一维卷积过程，将维度对齐到向量维度；L_x为序列的长度；t为当前的时间步；$i\in {1，2，\dots ，{L}_{x}}$为当前位置的索引；通过时间戳类型 p求和，可以调整模型对不同时间戳的关注度，从而影响最终的输出结果；全局时间戳通过可学习的时间戳嵌入函数SE来进行表示。最终，位置嵌入组合得到输入序列${X}^{t}={{x}_{1}^{t}，{x}_{2}^{t}，\dots ，{x}_{{L}_{x}}^{t}\mid {x}_{i}^{t}}\in {R}^{{L}_{x}\times {d}_{x}}。$

为了将提取到的特征有效整合到嵌入层，采用固定窗口大小的滚动预测策略，输出预测序列${Y}^{t}={{y}_{1}^{t}，{y}_{2}^{t}，\dots ，{y}_{{L}_{y}}^{t}\mid {y}_{i}^{t}}\in {R}^{{L}_{y}\times {d}_{y}}，{L}_{y}$为当前输出序列的长度，每个序列是一个d_y维向量，并且特征维数不限于单变量情况（${d}_{y}\ge 1$）。嵌入层通过嵌入将X^t变形为矩阵${X}_{feed\_de}^{t}$并引入编码器中，如图5所示。

掩码嵌入层将X^t中长度为的长序列片段矩阵与预测目标形状相同的0矩阵结合变形为组合矩阵${X}_{feed\_de}^{t}，$如式（6）所示。

（6）${X}_{feed\_de}^{t}=Concat（{X}_{token}^{t}，{X}_{0}^{t}）\in {R}^{（{L}_{token}+{L}_{x}）{d}_{model}}$

式（6）中：${X}_{feed\_de}^{t}$为解码器的第t个输入序列；${X}_{token}^{t}$为第t个序列的起始标记；${X}_{0}^{t}$为上述提到的0值组合，并作为第t个序列的目标序列的占${X}_{0}^{t}$位符；L_token为起始标记序列长度；Concat为矩阵拼接操作符，它将$（{X}_{token}^{t}，{X}_{0}^{t}）$矩阵沿着指定的维拼接在一起。将变形后的${X}_{feed\_de}^{t}$引入解码器，如图6所示。

2.3 模型的编码器和解码器

集成的信息块内部由一个编码器和一个解码器组成。编码器中那些分布远离均匀分布的被视为主要查询（query），这可以通过它们之间的Kullback-Leibler （KL）散度来评估注意力的重要性，如式（7）所示。

（7）$KL（q=p）=ln\sum _{j=1}^{{L}_{k}}{e}^{\frac{{q}_{i}{{k}^{T}}_{j}}{\sqrt{d}}}-\frac{1}{{L}_{K}}\sum _{j=1}^{{L}_{k}}\frac{{q}_{i}{{k}^{T}}_{j}}{\sqrt{d}}-ln{L}_{K}$

式（7）中：q_i为第i个需要关注的查询信息；k_j为第j个键用来匹配查询的信息；L_K为键值序列K的数量；d为数据的维度。

在长尾分布下，随机选择L_Q L_K个点积对来计算稀疏度$\stackrel{-}{M}（{q}_{i}，K）$用于衡量query的重要性，其余点积对则以零值补充，其中L_Q为查询序列Q长度，K为键值序列，定义如式（8）所示。最高稀疏度的点积对会被用于执行自注意力计算。随后，自注意力的输出通过“蒸馏”过程来减少参数数量和维度，从而缩短模型训练时间。最终，这些处理后的注意力结果被传递到解码层。

（8）$\stackrel{-}{M}（{q}_{i}，K）=\underset{j}{max}\frac{{q}_{i}{{k}^{T}}_{j}}{\sqrt{d}}-\frac{1}{{L}_{K}}\sum _{j=1}^{{N}_{k}}\frac{{q}_{i}{{k}^{T}}_{j}}{\sqrt{d}}$

式（8）中：L_K为键值序列K的数量。

解码层结合掩码多头概率稀疏自注意力的输出和编码层的输出进行注意力计算，基于生成式推理模型设计，接收整个目标序列作为输入，并通过生成式模型将其转换到高维向量空间。在此空间中，解码过程生成完整的输出序列，最终的预测结果通过全连接层输出。

3 实验分析

3.1 数据集

选取以下三个多变量时间序列预测数据集进行实验。各数据集按照6∶2∶2的比例分为训练、验证和测试集，统计概览如表1所示。

（1）ETTm1数据集记录中国两个县两年内的电力变压器温度，时间步长为15 min。每个序列包含变压器温度和六项电压负荷指标。

（2）Electricity数据集涵盖321个客户的用电量数据，单位：kW·h，时间步长为1 h。

（3）Traffic数据集来源862个地点的道路交通流量，时间步长为1 h。

将目标序列的部分数据进行可视化，以直观呈现三个数据集目标序列的特征，如图7所示。

3.2 实验设置

3.2.1 参照模型

为了评估TCN-Informer方法的准确性，将其与以下5种代表性基准方法进行比较，具体如下。

（1）TCN^[8]。该模型通过因果卷积和膨胀卷积结构处理不同长度的序列数据，适用于多种时间序列任务。其残差连接和层归一化设计有助于训练深层网络，捕捉复杂模式。

（2）LSTNet^[16]。结合卷积神经网络和循环神经网络的模型，通过卷积层和基于LSTM的递归结构捕获长期依赖关系，利用时间序列信号的周期性简化优化过程。

（3）Log Sparse^[17]。基于稀疏线性回归的模型，采用优化的稀疏矩阵算法处理高维度时间序列数据，通过因果卷积提高预测准确性。

（4）Reformer^[11]。基于Transformer的模型，采用局部敏感哈希注意力机制和可逆层，增强对长距离依赖的捕捉能力。

（5）Informer^[12]。利用多粒度注意力机制的时间序列预测模型，专为优化多粒度时间序列数据预测设计，有效应对复杂模式，提升预测准确率和鲁棒性。

3.2.2 超参数设置

将ETTm1、Electricity、Traffic 3个数据集设置5种不同的预测的时间点长度，即 {24，48，168，336，720}，这些长度分别对应短期预测{24，48，168}和长期预测{336，720}，并对预测长度的结果进行平均化处理。此外，采用网格搜索方法对模型共享的超参数进行优化。共享超参数及其调整范围如表2所示。另外对于含有循环结构的基准模型，其隐藏单元数的选项为{50，100，150}。对于具有卷积结构的对比模型，卷积核的大小从{2，4，8}中选取，卷积核数目的范围为{8，16，32，64}。

3.2.3 评估指标

采用平均绝对误差（mean absolute error，MAE）和均方误差（mean squared error，MSE）评估模型的预测性能，这两个指标用于量化预测值与实际值之间的差异，指标值越小，说明模型的预测精度越佳。通过对比MAE和MSE的数值，能够清晰地评估模型的表现，并分析模型在不同数据特性下的预测差异，从而为模型的进一步优化提供依据。

（1）MAE。即平均绝对值误差，表示预测值y和真实值$\stackrel{-}{y}$之间绝对误差的平均值，可表示为

（9）$MAE=\frac{1}{n}\left.\sum _{i=1}^{n}\right|y-\left.\stackrel{-}{y}\right|$

（2）MSE。即均方误差，表示预测值与真实值的差值的平方然后求和平均，可表示为

（10）$MSE=\frac{1}{n}\sum _{i=1}^{n}（y-\stackrel{-}{y}{）}^{2}$

3.3 实验结果以及分析

汇总所有模型在三个基准数据集上的MSE和MAE分别如表3所示。目标序列未来值的预测步数设为{24，48，168，336，720}，表3中显示不同预测范围下各模型的平均预测结果。实验结果如图8~图10所示，以便直观地观察它们的差异。

如表3所示，预测的时间跨度越大，相应的MSE和MAE也随之增大。这表明，随着预测步数的增多，误差逐渐累积，预测的准确性也随之降低。这种现象的原因在于，在进行长期预测时，预测点与历史数据点之间的时间间隔增大，导致预测过程中可利用的有效信息减少，从而使得预测精度降低。这体现多步预测的挑战性，即预测步长越长，预测任务的难度就越高。

进一步分析发现，TCN-Informer模型在MSE和MAE指标上的综合评价均优于其他对比模型。例如，在Electricity数据集上，当预测步数720时，所提TCN-Informer模型的MSE为0.386，相较于Informer（0.575）、Reformer（0.435）、LSTNet（0.462）、TCN（0.831）及Log Sparse（0.885）等基线模型，其MSE分别降低约32.87%、11.26%、16.45%、53.55%、56.38%，在长序列预测任务中展现出更优的性能表现。

4 结论

针对时间序列预测中长期趋势和短期动态问题以及多变量时间序列中的变量通常复杂的相互依赖关系，提出一种TCN-Informer融合框架，具有以下优势：TCN与Informer的协同工作，同时捕获时间序列的局部动态和全局趋势；SE_Block模块实现了多变量交互关系的建模；时间编码有效整合了不同粒度的时间信息。最后在3种数据集上进行对比试验，得出以下结论。

（1）随着预测时间跨度的增加，多变量时间序列预测的误差（MSE和MAE）呈上升趋势，表明长期预测的准确性降低。这是由于预测点与历史数据点之间的时间间隔增大，导致有效信息减少，从而揭示多步预测中步长增加的挑战。

（2）TCN-Informer模型在多变量时间序列预测任务中优于其他对比模型，特别是在长期预测（如720步预测）时，其在MSE和MAE指标上优于基于多头注意力机制和卷积神经网络的方法，证明融合模型在提高预测精度和可靠性方面的有效性。

（3）研究结果显示，TCN-Informer模型在多变量时间序列预测任务中表现出色，证明其优异的性能和潜力，可应用于多个行业的长短期时序预测场景在工业生产中，适用于设备状态检测，实现预测性维护，提前发现设备异常；在智慧城市领域，可用于交通流量预测，优化信号灯控制策略；在电力系统中，预测电力负荷变化，优化电力资源配置。然而模型的参数量较大，计算需求和内存消耗较大，在后续的研究中可通过知识蒸馏进一步轻量化，扩大其应用范围。未来研究可重点关注：①面向新型电力系统的多元负荷预测；②城市交通流量的实时预测与调控；③工业设备全生命周期状态监测。同时，需要解决模型轻量化、边缘部署等实际问题，推动技术成果转化落地然而，扩大其应用范围。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	倪自聪, 黄德启. 基于优化VMD和组合模型的电力负荷预测[J]. 计算机仿真, 2025, 42(3): 128-133.

[2]	Ni Zhicong, Huang Deqi. Power load forecasting based on optimized VMD and combined model[J]. Computer Simulation, 2025, 42(3): 128-133.

[3]	汤泽慧, 赵丹, 王晟由. 基于CNN-LSTM-AM的短时交通流量预测[J]. 科学技术与工程, 2024, 24(31): 13562-13567.

[4]	Tang Zehui, Zhao Dan, Wang Shengyou. Short-term traffic flow forecasting based on CNN-LSTM-AM[J]. Science Technology and Engineering, 2024, 24(31): 13562-13567.

[5]	李嘉源, 王晓东, 何启学. CNN增强型Informer模型在工业时间序列预测中的应用及性能优化[J]. 计算机应用, 2024, 44(S2): 79-83.

[6]	Li Jiayuan, Wang Xiaodong, He Qixue. Application and performance optimization of CNN-enhanced informer model in industrial time series forecasting[J]. Computer Applications, 2024, 44(S2): 79-83.

[7]	Wang Y, Peng J, Wang X, et al. Replacing self-attentions with convolutional layers in multivariate long sequence time-series forecasting[J]. Applied Intelligence, 2024, 54(1): 522-543.

[8]	陈振宇, 刘金波, 李晨, 等. 基于LSTM与XGBoost组合模型的超短期电力负荷预测[J]. 电网技术, 2020, 44(2): 614-620.

[9]	Chen Zhenyu, Liu Jinbo, Li Chen, et al. Ultra short-term power load forecasting based on combined LSTM-XGBoost model[J]. Power System Technology, 2020, 44(2): 614-620.

[10]	卿会, 李薇, 刘文娇, 等. 基于极点对称模态分解-支持向量机的短期光伏发电预测方法[J]. 热能动力工程, 2022, 37(10): 189-197.

[11]	Qin Hui, Li Wei, Liu Wenjiao, et al. Research onshort-term photovoltaic power forecasting technology based on ESMD-SVM[J]. Journal of Engineering for Thermal Energy and Power, 2022, 37(10): 189-197.

[12]	Heng S, Minghao X, Ran L. Deep learning for household load forecasting: a novel pooling deep RNN[J]. IEEE Transactions on Smart Grid, 2018, 9(5): 5271-5280.

[13]	Wan R, Mei S, Wang J, et al. Multivariate temporal convolutional network: a deep neural networks approach for multivariate time series forecasting[J]. Electronics, 2019, 8(8): 876.

[14]	赵星宇, 吴泉军, 朱威. 基于CEEMDAN和TCN-LSTM模型的短期电力负荷预测[J]. 科学技术与工程, 2023, 23(4): 1557-1564.

[15]	Zhao Xingyu, Wu Quanjun, Zhu Wei, et al. Short-term power load forecasting based on CEEMDAN and TCN-LSTM model[J]. Science Technology and Engineering, 2023, 23(4): 1557-1564.

[16]	Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[J]. Advances in Neural Information Processing Systems, 2017, 30: 6000-6010.

[17]	Kitaev N, KaiserŁ Levskaya A. Reformer: the efficient transformer[J]. arXiv Preprint, arXiv: 2001.04451, 2020.

[18]	王伟, 王海云, 黄晓芳. 基于Informer的风电机组叶根载荷预测[J]. 水力发电, 2023, 49(9): 85-89.

[19]	Wang Wei, Wang Haiyun, Huang Xiaofang. Blade root load prediction of wind turbine based on informer[J]. Hydroelectric Engineering, 2023, 49(9): 85-89.

[20]	孙超, 吕奇, 朱思曈, 等. 基于双层XGBoost算法考虑多特征影响的超短期电力负荷预测[J]. 高电压技术, 2021, 47(8): 2885-2898.

[21]	Sun Chao, Lü Qi, Zhu Sitong, et al. Ultra-short-term power load forecasting based on two-layer XGBoost algorithm considering the influence of multiple features[J]. High Voltage Engineering, 2021, 47(8): 2885-2898.

[22]	宋瑞蓉, 王斌君, 仝鑫, 等. 融合多维时空特征的交通流量预测模型[J]. 科学技术与工程, 2021, 21(31): 13439-13446.

[23]	Song Ruirong, Wang Binjun, Tong Xin, et al. Traffic flow forecasting model based on multi-dimensional spatial and temporal characteristics[J]. Science Technology and Engineering, 2021, 21(31): 13439-13446.

[24]	Zhou K, Zhang C, Xu B, et al. TE-LSTM: a prediction model for temperature based on multivariate time series data[J]. Remote Sensing, 2024, 16(19): 3666.

[25]	白雯睿, 杨毅强, 朱雪芹. 基于VMDLSTNet的水质预测模型[J]. 科学技术与工程, 2022, 22(22): 9881-9889.

[26]	Bai Wenrui, Yang Yiqiang, Zhu Xueqin. Water quality prediction model based on VMDLSTNet[J]. Science Technology and Engineering, 2022, 22(22): 9881-9889.

[27]	Li S, Jin X, Xuan Y, et al. Enhancing the locality and breaking the memory bottleneck of transformer on time series forecasting[C]// 32nd Conference on Neural Information Processing Systems. Vancouver: ACM, 2019: 8-14.