融合分解算法和改进TsMixer模型的天然气需求预测模型

吴冕; 宋尚飞; 李梦洋; 虞维超; 吴柯莹; 史博会; 王凯鸿; 宫敬

doi:10.12404/j.issn.1671-1815.2504248

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (17) :7230-7240 DOI: 10.12404/j.issn.1671-1815.2504248

石油、天然气工业

融合分解算法和改进TsMixer模型的天然气需求预测模型

吴冕 ¹^,² ,
宋尚飞 ² ,
李梦洋 ³ ,
虞维超 ⁴ ,
吴柯莹 ² ,
史博会 ² ,
王凯鸿 ⁴ ,
宫敬 ¹^,²^,^*

作者信息 +

Combining Decomposition Algorithm and Improving TsMixer’s Gas Consumption Prediction Model

WU Mian ¹^,² ,
SONG Shang-fei ² ,
LI Meng-yang ³ ,
YU Wei-chao ⁴ ,
WU Ke-ying ² ,
SHI Bo-hui ² ,
WANG Kai-hong ⁴ ,
GONG Jing ¹^,²^,^*

Author information +

文章历史 +

摘要

天然气需求量预测是天然气生产系统、天然气管道运行管理系统和天然气下游市场管理的一个关键问题。将数据分解算法与时序预测模型结合是提取原始数据特征并提高现有模型预测准确性的常见做法。现有的模型通常直接将分解的序列数据与模型结合,这无法充分发挥分解算法对原始模型的改进作用。提出了一种融合奇异谱分析(singular spectrum analysis,ssa)算法与改进的时间序列混合器(time series mixer,TsMixer)模型的预测模型SSA-TsMixer,该模型创新性地设计了TsMixer模型的特征提取结构,通过对分解后的序列数据在不同特征提取层上的合理分配,实现了序列间的有效交互,确保模型能够最大限度提取分解算法抽象出的统一特征,并抑制噪声数据对预测结果的干扰。构建的模型在12个天然气用户的用气量数据上进行了详尽的实证研究。在所有测试集进行1~14步长的预测时,模型在准确性和稳定性上表现出了更优的性能,平均绝对百分比误差(mean absolute percentage error,MAPE)范围为3.39%~7.57%,原有模型的误差降低了13.65%。此外,在时间步长为1时,通过SSA-TsMixer模型的消融实验验证了所设计的多序列提取特征结构的有效性。SSA-TsMixer模型通过提高预测精度和稳定性,为天然气管网智能调度与控制提供了有效的技术支持,具有显著的工程价值。

Abstract

Natural gas demand forecasting is recognized as a critical issue for natural gas production systems, pipeline management and operational systems, and downstream market management. The combination of data decomposition algorithms with time series forecasting models was commonly adopted to extract features from raw data and improve prediction accuracy. However, existing models usually integrate decomposed sequence data directly, which prevents the full potential of decomposition algorithms from being realized. A novel forecasting model integrating singular spectrum analysis (SSA) with an improved time series mixer (TsMixer), termed SSA-TsMixer, was proposed. The feature extraction structure of the TsMixer model was innovatively redesigned. By allocating decomposed sub-series appropriately across different feature extraction layers, effective interaction among sequences was achieved. This enables the unified features abstracted by the decomposition algorithm to be fully utilized, while the interference of noise data was suppressed. Extensive empirical studies were conducted on gas consumption data from 12 end-users. The model was evaluated on all test sets for forecasting horizons from 1 step to 14 steps. Superior performance in accuracy and stability is demonstrated. The mean absolute percentage error (MAPE) ranges from 3.39% to 7.57%, which corresponds to a 13.65% error reduction compared to the original model. Furthermore, ablation experiments at a 1-step horizon were carried out. The effectiveness of the designed multi-sequence feature extraction structure was verified. The SSA-TsMixer model enhances forecasting accuracy and stability. It provides effective technical support for the intelligent scheduling and control of natural gas pipeline networks, and has significant engineering value.

Graphical abstract

关键词

天然气需求预测 / SSA / TsMixer / 噪声数据

Key words

natural gas demand forecasting / SSA / TsMixer / noise data

引用本文

引用格式 ▾

吴冕, 宋尚飞, 李梦洋, 虞维超, 吴柯莹, 史博会, 王凯鸿, 宫敬. 融合分解算法和改进TsMixer模型的天然气需求预测模型[J]. 科学技术与工程, 2026, 26(17): 7230-7240 DOI:10.12404/j.issn.1671-1815.2504248

WU Mian, SONG Shang-fei, LI Meng-yang, YU Wei-chao, WU Ke-ying, SHI Bo-hui, WANG Kai-hong, GONG Jing. Combining Decomposition Algorithm and Improving TsMixer’s Gas Consumption Prediction Model[J]. Science Technology and Engineering, 2026, 26(17): 7230-7240 DOI:10.12404/j.issn.1671-1815.2504248

登录浏览全文

4963

注册一个新账户忘记密码

天然气需求量预测是天然气行业的一项重要任务,作为一项典型的时序预测任务,它不仅吸引了众多研究人员的广泛关注,也推动了大量预测算法的提出与应用。早期,天然气需求量预测主要依赖以自回归积分滑动平均模型算法^[1]为代表的统计学模型,随后逐渐被BP神经网络^[2]、随机森林^[3]、支持向量机(support vector machine,SVM)^[4]等机器学习算法所取代。此后,以长短期记忆(long short-term memory,LSTM)神经网络^[5]和门控循环单元模型^[6]为代表的循环神经网络在此领域取得了很大成功,在算法迭代的过程中,研究者们不断优化模型结构,以增强其对历史时序数据深层特征的挖掘能力。例如,王可睿等^[7]通过结合向量嵌入算法和LSTM模型取得了更好的预测效果;Du等^[8]在卷积自编码器和LSTM模型的基础上融入了注意力机制,这一设计使得模型能自适应地为历史数据分配权重,从而更高效地提取深层特征。除了循环神经网络以外,卷积神经网络也在天然气需求预测领域进行了广泛应用,并被证明在一定场景下能够取得比循环神经网络更准确的结果^[9]。尽管循环神经网络具有较强的记忆能力和深度挖掘历史时序数据特征的优势,但研究表明,当记忆长度超过一定阈值时,模型的准确性会显著波动^[10]。Transformer模型独特的编码形式有效解决了长序列记忆难题,这使其在时间序列预测领域得到了广泛应用。在Transformer架构^[11]的基础上,Informer^[12]、Reformer^[13]、Autoformer^[14]等性能更加出色的新模型相继被提出,在气候、股票、能源等多种预测任务中取得了更准确的结果。

在数据层面,特征工程方法被广泛应用于天然气需求预测,通过构建关键特征以提升预测性能。Wei等^[15]系统分析了影响天然气消耗量的多种因素并创新性地运用主成分分析算法对输入特征进行筛选,有效整合了参与模型构建的可用特征。Qiao等^[16]聚焦于数据噪声问题,采用高斯平滑与C-C方法实施数据降噪处理,显著减少了噪声对天然气消耗量预测的不利影响。Laib等^[17]则将假期因素纳入考量,通过构建假期状态及距假期天数等特征,实现了比原始数据更为精准的预测效果。上述研究表明,科学的数据特征构建对提升天然气需求预测性能具有显著作用。在数据处理和特征挖掘过程中,信号分解算法作为一种特殊的数据挖掘手段被引入天然气预测领域。常用的信号分解方法主要包括快速傅里叶变换^[18](fast Fourier transform,FFT)、小波变换^[19](wavelet transform,WT)、奇异谱分析^[20]与经验模态分解^[21](empirical mode decomposition,EMD)等。这些算法将原始时间序列分解为多个尺度分量,基于分解后的分量重构建模,从而显著提升预测精度。不同分解策略已在多个时序预测任务中展现出强大潜力,如EMD与SSA算法在发电量预测^[22]、电网负荷预测^[23]及大宗商品期货价格分析^[24]等领域的成功应用,均基于原始模型实现了预测精度的提升。在天然气需求量预测领域,Wei等^[25]、成琳琳^[26]、邵必林等^[27]分别将改进的SSA算法、小波包分解和使用局部加权回归进行季节性和趋势分解与传统的预测模型结合成功应用于天然气消耗量预测中,结果显示模型在稳定性和准确性上均获得了显著提升。而FFT与WT算法也在实践中经过了广泛的验证,并且在深度时间序列模型的模块化设计中越来越受欢迎^[28-31]。

现有研究主要从模型层面和数据层面改进预测方法,并且已经有部分研究工作将不同分解方法与预测模型进行结合应用。然而,现有的研究通常直接将分解后的数据特征输入模型参与计算,未能充分考虑各分解分量间的交互效应,这忽略了分解分量间的时序依赖关系,进而限制了分解算法与模型的深度融合。为了进一步探究分解算法对天然气需求预测领域的预测准确性的提升作用,同时探索与预测模型联合应用的最佳模式,现提出一个鲁棒的预测模型SSA-TsMixer,通过结合SSA算法和改进的TsMixer架构深入挖掘历史天然气消耗量的深层特征实现天然气需求预测准确性的进一步提高。SSA-TsMixer改进了TsMixer的主体结构,通过对不同的频率分量采用差异化的特征提取机制,有效减少了数据分解过程对预测结果的负面影响,同时特殊的结构又保证了模型更关注细节的数据变化特征,从而有效提高了模型在天然气日需求量预测方面的准确性。最后将SSA-TsMixer模型在12个天然气用户过去14年的数据上进行实验并与其他同样先进的预测模型进行对比分析,验证SSA-TsMixer模型的优越性。

1 模型构建

基于SSA模型和改进的TsMixer模型构建了SSA-TsMixer预测模型,模型结构如图1所示。模型分为数据处理部分和改进的TsMixer模型两个部分。

1.1 特征处理

特征处理旨在通过缺失值填充和异常值过滤来提升数据质量并挖掘更有效的特征,是提高模型预测准确性的重要手段。特征挖掘旨在构建新的特征,以深入挖掘原始数据中可能隐藏的复杂的模式或关系,帮助模型更准确地拟合数据。本次研究中的特征挖掘主要是构建新的时间特征,包括所在月份、是否假期、每周的第几天、是否处于保供期间等。除了这些常见的特征构建方法以外,SSA分解通常被视为时间序列数据挖掘的重要步骤。SSA是一种基于时间序列的非参数时序分析方法^[18],其核心思想是将原始时间序列重构为嵌入矩阵,通过奇异值分解提取特征分量,从而分离出趋势、周期和噪声等成分。具体步骤如下。

给定一个时间序列:X_N={x₁,x₂,…,x_N}重构序列的相空间,那么可以导出轨迹矩阵为

(1)D_m= $\left(\begin{array}{lllll}{a}_{11}& {a}_{12}& \dots & {a}_{1n}& \\ {a}_{21}& {a}_{22}& \dots & {a}_{2n}& \mathrm{ }\\ \mathrm{︙}& \mathrm{︙}& \mathrm{ }& \mathrm{︙}& \\ {a}_{m1}& {a}_{m2}& \dots & {a}_{mn}& \end{array}\right)$

式(1)中:n为窗口的长度;m为嵌入维度,并且满足2≤m≤N/2,m≤n,N=N-m+1,N为有效长度。

以矩阵D_m进行奇异值分解,D_m=USV^T,其中U和V为维度为m×m和n×n的矩阵,S是对角线值为λ₁,λ₂,…,λ_p的m×n对角矩阵,其中λ₁≥λ₂≥…≥λ_p,p为奇异值的阶数。U和V分别为左奇异矩阵和右奇异矩阵。如果时间序列只包含有效信息,则矩阵S的秩k<m;如果时间序列同时包含有效信息和噪声,则k=m。

在天然气用气量数据上分解的结果如图2所示。原始数据序列被分解为一个低频子序列(第一个)和多个高频子序列。各子序列根据贡献率进行重构,一般是基于经验手动设置阈值,将方差贡献率高于给定阈值的子序列合并输出。

SSA分解方法具有可控的分解维度,其有效分解数量可通过特征值的贡献率进行判定。如图2所示,首个子序列的贡献率为80%,该序列呈现平滑的特性,能够反映原始序列的主要趋势特征。当需对原始序列进行精细化建模时,通常设定更高的贡献率阈值(如95%以上)进行序列重构,未被纳入重构的部分则被界定为“噪声”成分。本研究在原始序列分解后,根据各序列的方差贡献率进行重构,分别得到趋势序列、周期序列和噪声序列。需要指出的是,传统研究普遍认为噪声序列主要来源于时序数据采集过程中产生的观测噪声以及分解过程中由边界效应引起的误差,这些不可观测成分常被排除在建模之外^[32]。然而实证研究表明,噪声序列中仍然包含重要的短期波动信息,直接抛弃这一部分特征可能会降低模型的预测准确性。端点处数据的不连续性会导致其邻近点的分解结果显著差异,从而引发边界效应,这也是影响SSA分解质量的重要因素^[33]。如图3所示,即使各分解分量仅存在一个时间步的相位差异,边界区域的重构结果仍可能出现显著波动。在时序预测中,此类偏差可能干扰周期性特征的准确提取,进而影响预测性能。

此外,为了避免数据泄漏,数据分解算法通常在时间维度采用迭代分解策略^[34],但该方法会多次处理边界区域,进一步加剧边界效应带来的误差。因此在保持有效特征完整性的前提下,如何有效抑制噪声数据的干扰,成为提高模型预测准确性的关键。

1.2 改进的TsMixer模型

尽管Transformer架构在自然语言处理领域取得了很大成功,并被广泛认为能够捕捉复杂的时间模式间的依赖关系^[35]。但是Wang等^[36]的研究表明,在许多常用的预测基准上,基于Transformer的模型并不优于简单的线性时间模型。同时,天然气消耗量受多种因素影响,但可获取的数据指标非常有限,加之复杂生产环境导致可采集的数据样本通常是小样本。以TsMixer为代表的线性模型可能是更好的选择。TsMixer是一种基于多层感知机(multilayer perceptron,MLP)的神经网络模型,旨在通过简单的网络结构,在更少量的样本数据中自动提取隐含关系。TsMixer主要由K个相同的模块对输入数据序列进行处理,每个模块包含两个依次进行的混合操作:时间混合层和特征混合层,每次混合后均通过层归一化和残差连接计算,其结构如图1所示。

时间混合层旨在独立地捕捉每个变量内部的时间动态特性。对于第i个变量,在其时间序列上应用一个共享的多层感知机,计算过程如式(2)所示。

(2)${\stackrel{~}{X}}_{\mathrm{*},\mathrm{i}}$=MLP_temp(X_*_,_i)

MLP_temp:R^L→R^L的计算过程如式(3)所示。

(3)MLP_temp(z)= ${W}_{2}^{temp}$ σ( ${W}_{1}^{temp}$ z+ ${b}_{1}^{temp}$ )+ ${b}_{2}^{temp}$

式(3)中:${W}_{1}^{temp}$∈R^L^×^d和${W}_{2}^{temp}$∈R^L^×^d表示线性层的权重;${b}_{1}^{temp}$∈R^L和${b}_{2}^{temp}$∈R^L表示线性层的偏差;σ(·)为激活函数;d为中间隐藏维度。

将时间混合层的输出X⁽¹⁾∈R^L^×^N引入残差连接和归一化,计算过程如式(4)所示。

(4)X⁽¹⁾=LayerNorm(X+$\stackrel{~}{X}$)

特征混合层用于建模同一时刻不同变量之间的相互依赖关系。特征混合层包含两个MLP结构。对于每一个时间步t∈{1,2,…,L},计算如式(5)所示。

(5)${\stackrel{-}{X}}_{\mathrm{t},\mathrm{*}}$=MLP_var[${X}_{\mathrm{t},\mathrm{*}}^{\left(1\right)}$]

MLP_var:R^N→R^N计算过程如式(6)所示。

(6)MLP_var(v)= ${W}_{2}^{var}$ σ( ${W}_{1}^{var}$ v+ ${b}_{1}^{var}$ )+ ${b}_{2}^{var}$

式(6)中:${W}_{1}^{var}$∈R^d'^×^N和${W}_{2}^{var}$∈R^N^×^d'为线性层的权重;d'为中间维度。

将结果拼接后得到$\stackrel{-}{X}$∈R^L^×^N,并再次通过残差连接与层归一化进行计算,计算过程如式(7)所示。

(7)X⁽²⁾=LayerNorm[X⁽¹⁾+$\stackrel{-}{X}$]

时间混合层和特征混合层构成了一个完整的TsMixer模块,记为B(·),原始TsMixer模型的编码过程由K个模块堆叠组成。编码后的矩阵Z∈R^L^×^N,经过简单的线性投影输出预测结果,计算过程如式(8)所示。

(8)$\stackrel{\wedge }{Y}$=Linear_H[Linear_N(Z)]

式(8)中:Linear_N(·)和Linear_H(·)分别表示对特征维度和时间维度进行线性变换;$\stackrel{\wedge }{Y}$∈R^H^×^N表示对未来H时间步、N个变量的联合预测。

纯线性模型在小样本、多特征的数据分布场景下容易出现过拟合现象,难以有效捕捉变量间的复杂依赖关系。相比之下,TsMixer模型的每个混合模块均包含归一化层和残差连接。其中,残差连接有助于模型在加深网络层数的同时稳定训练过程,使网络能够学习到更深层次的数据表示;而层归一化作为深度学习中的常用正则化技术,可有效缓解梯度消失问题,加速收敛并提升泛化性能^[37-38]。

所提出的改进TsMixer模型中,输入的时间序列首先被分解为3个具有不同语义含义的分量(记为序列1、序列2和序列3),分别对应趋势项、周期项和噪声项。不同于直接将这些分量送入统一模型结构的做法,如图1所示,设计了一种多路径特征融合机制,根据各分量的特性差异化地配置处理流程。

(1)路径1:将序列1(趋势)与序列2(周期)组合后输入完整的混合模块(即依次经过时间混合层和特征混合层),以充分提取原始数据中的长期趋势与周期性模式等主要结构信息。

(2)将序列1(趋势)与序列3(残差)送入仅包含特征混合层的子网络,旨在通过跨特征维度的交互,挖掘趋势成分与噪声之间的潜在关联,从而捕捉更细微的变量间依赖关系。

(3)将序列2(周期)与序列3(残差)直接馈入一个轻量级的特征抽取层(由两个线性变换层构成),用于快速建模周期性波动与随机扰动之间的统计规律,为模型提供对短期动态变化的补充感知能力。

上述三条路径的输出经独立归一化后进行拼接,并通过两个全连接线性层进行融合与映射,最终生成预测结果。该设计使得改进后的TsMixer模型能够分层整合多尺度时序信息包括长期趋势、周期性规律和短期随机波动。在保持整体架构简洁、参数量可控的前提下,显著提升了对多元时间序列中时间动态模式与跨变量依赖关系的联合建模能力。

2 实验与结果分析

2.1 数据简介

研究基于山东省12个典型天然气用户的时间序列数据开展系统性实验分析。所选用户涵盖商业与工业类型,地理分布覆盖济南、青岛、烟台、潍坊等主要城市,具有较好的区域代表性和用能行为多样性。其日用气量范围涵盖万立方米级、十万立方米级至百万立方米级,能够有效反映不同类型用户用气变化的真实阈值特征。原始数据包含2010年1月1日—2023年12月31日的日度记录,包括每日天然气消耗量、日指定量、时间戳及配套环境参数(日最低/最高温度、大气压力、风速等)。如图4所示,用户每日消耗量,存在明显异常值,因此所有数据均经过严格清洗,剔除缺失值、负值及消耗量与日指定量偏差超过阈值的异常样本。清洗后,单用户保留了4 780条高质量完整记录。

如图4所示,长期来看,用户日消耗量呈现显著的季节性波动,尤其在11月—次年3月的采暖季需求激增,反映出山东暖温带季风气候对能源消费的深刻影响;短期来看,用气量呈现显著的波动性,这为高精度的预测带来了挑战。为保障模型训练与评估的合理性,各用户数据严格按时间顺序以80%∶15%∶5%的比例划分为训练集、验证集和测试集。在应用SSA进行迭代分解时,依据累计方差贡献率(分别为80%、15%和5%),将原始序列分解为3个子序列:序列1表征长期趋势特征,序列2反映短期周期性变化,序列3则主要包含随机扰动噪声。

2.2 评价指标

MAPE和决定系数(coefficient of determination,R²)两个统计指标被应用于模型评估,以评估所提出模型的准确性。两个统计指标的计算如式(9)和式(10)所示。MAPE的值越低,模型就越准确,R²的值越高则表示模型越准确。

(9)MAPE=$\frac{1}{n}\sum _{i=1}^{n}\left|\frac{{\stackrel{\wedge }{y}}_{i}-{y}_{i}}{{y}_{i}}\right|$×100%

(10)R²=1- $\frac{\sum _{i=1}^{n}({\stackrel{\wedge }{y}}_{i}-{y}_{i}{)}^{2}}{\sum _{i=1}^{n}(\stackrel{-}{y}-{y}_{i}{)}^{2}}$

式中:${\stackrel{\wedge }{y}}_{i}$为第i条数据的预测输出;y_i为第i条数据的真实标签;n为数据集的样本数量;$\stackrel{-}{y}$为样本真实值的平均值。

2.3 结果分析

为了验证SSA-TsMixer模型的优越性,使用测试集对模型的性能进行了评估。除SSA-TsMixer模型外,还选取了时序预测领域具有代表性的高性能模型进行对比分析,包括TsMixer、AutoFormer、TimesNet、iTransformer、Reformer和Transformer。所有模型均基于PyTorch深度学习框架进行训练与评估。SSA-TsMixer模型包含时间混合层、特征混合层、特征抽取层和输出层,并通过超参数调优确定最优网络结构。除模型结构外,训练过程还涉及Dropout值、输入序列长度、学习率、损失函数及优化器等超参数的设置,具体配置如表1所示。

在确定合适的模型结构和训练参数后,选取原始数据集的5%作为测试集,用于模型性能评估。图5展示了SSA-TsMixer模型与其他先进模型在测试数据上不同预测步长下的性能表现。从图5可知,随着预测长度的增加,各模型的MAPE值逐渐增大,R²逐渐减小,这符合预测误差变化的普遍规律。在预测步长从1到14变化时,SSA-TsMixer模型始终保持较高的准确性。具体来说,MAPE在3.39%~7.57%递增,而R²则在0.95~0.84递减, 体现了SSA-TsMixer模型在不同预测步长下的稳定性和准确性。TsMixer模型性能仅次于SSA-TsMixer模型,在14步预测时MAPE为8.76%。相较于TsMixer,SSA-TsMixer将MAPE相对降低了约13.65%,表明所提方法在改进原始模型方面具有显著优势。

各模型在预测步长为1时的预测结果如图6所示。大部分时间段内不同模型的预测值差异不明显,但SSA-TsMixer模型在波峰、波谷等难以拟合的关键点上表现出更优的拟合能力。表2从数值上展示了所有用户的MAPE和R²值。数据表明,SSA-TsMixer模型的MAPE在2.43%~4.14%,在保持低预测误差的同时具有最优的稳定性,体现了其强大的非线性拟合能力,有效捕捉了特征间的深层关联。同时,其在多用户数据上保持了高度一致的预测性能,验证了模型优异的泛化能力。

设计了消融实验以验证SSA-TsMixer模型在结构设计的合理性。图7展示了SSA-TsMixer模型与以下变体在预测步长为1时的测试拟合结果对比: SSA+TsMixer(不改变结构)、SSA-TsMixer(无特征混合层)、SSA-TsMixer(无特征提取层)。结果表明,特征混合结构和特征提取结构对改进后的TsMixer均起着关键作用。删除这些模块后,模型的MAPE值和误差波动范围均显著增大。图7和表2显示,SSA与TsMixer模型简单拼接的SSA+TsMixer模型MAPE明显高于原始TsMixer模型的MAPE。这表明,直接将SSA算法与TsMixer模型进行简单地拼接不仅未能提升性能,反而有所下降,可能与数据分解过程的边界效应有关。相比之下,SSA-TsMixer 模型通过对不同分解序列分配专用的特征提取模块,利用多序列间的交互效应,更有效地挖掘可用特征。此外,该模型通过动态权重分配机制,有侧重地增强周期分量和噪声分量的特征权重,从而避免在关注趋势序列时忽略其他子序列的细节信息。通过全连接模块的联合计算,模型有效缓解了因过度关注局部特征而导致的过拟合问题。这一特性使SSA-TsMixer在稳定运行状态下保持高精度,并显著提升了其在小样本场景下的预测性能(图8)。

3 结论

提出了一种天然气需求预测模型SSA-TsMixer,该模型结合SSA分解算法与改进的TsMixer模型,以实现更准确的预测。SSA-TsMixer模型利用SSA算法将原始数据分解为趋势序列、周期序列和噪声序列,这一过程有效捕捉了天然气用气数据的周期特性和更细微的突变特征,降低了原始数据的复杂程度。改进的TsMixer模型通过新增的特征混合层和提取层实现了对时序特征的多维度建模,能够同时捕捉时序数据的长期趋势变化与局部细节波动。为验证SSA-TsMixer模型的有效性,在12组数据上将其与多个基线模型进行了对比实验。

(1)SSA-TsMixer模型在1~14时间步的预测中,MAPE范围为3.39%~7.57%,在准确性与稳定性方面均优于其他模型。

(2)与未使用SSA算法的原始TsMixer模型以及简单拼接的SSA+TsMixer模型相比,改进后的SSA-TsMixer模型通过其特殊结构(特征混合层与特征提取层)显著提升了预测性能,验证了其设计的有效性。

(3)SSA-TsMixer的特征混合结构和特征提取结构在保留原始趋势和周期序列特征的基础上,合理利用子序列之间的交互作用,通过分离噪声序列以减少干扰,并加强对细节突变特征的关注。这一设计使模型在稳定用气场景和特殊波动场景下均能够保持更高的预测准确性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Cardoso C A V, Cruz G L. Forecasting natural gas consumption using ARIMA models and artificial neural networks[J]. IEEE Latin America Transactions, 2016, 14(5): 2233-2238.

[2]	张以帅, 赖惠鸽, 李勇, 等. 基于MEA优化BP神经网络的天然气短期负荷预测[J]. 自动化与仪表, 2016, 31(5): 15-19.

[3]	Zhang Yishuai, Lai Huige, Li Yong, et al. Short-term gas load forecasting based on MEA optimized BP neural network[J]. Automation & Instrumentation, 2016, 31(5): 15-19.

[4]	Panek W, Włodek T. Natural gas consumption forecasting based on the variability of external meteorological factors using machine learning algorithms[J]. Energies, 2022, 15(1): 348.

[5]	代小华, 汪玉春, 朱勇, 等. 基于SVM方法的天然气管网负荷预测研究[J]. 天然气与石油, 2009, 27(2): 13-15.

[6]	Dai Xiaohua, Wang Yuchun, Zhu Yong, et al. Research on load forecasting of natural gas pipeline network based on SVM method[J]. Natural Gas and Oil, 2009, 27(2): 13-15.

[7]	Anagnostis A, Papageorgiou E, Dafopoulos V, et al. Applying long short-term memory networks for natural gas demand prediction[C]// 2019 10th International Conference on Information, Intelligence, Systems and Applications (IISA). Patras: IEEE, 2019: 1-7.

[8]	Xue G, Song J, Kong X, et al. Prediction of natural gas consumption for city-level DHS based on attention GRU: a case study for a northern Chinese city[J]. IEEE Access, 2019, 7: 130685-130699.

[9]	王可睿, 邵必林. 基于Time2Vec-LSTM-TCN-Attention的天然气负荷组合预测[J]. 南京信息工程大学学报, 2024, 16(6): 801-809.

[10]	Wang Kerui, Shao Bilin. Combined prediction of natural gas load based on Time2Vec-LSTM-TCN-Attention[J]. Journal of Nanjing University of Information Science and Technology, 2024, 16(6): 801-809.

[11]	Du J, Zheng J, Liang Y, et al. A hybrid deep learning framework for predicting daily natural gas consumption[J]. Energy, 2022, 257: 124689.

[12]	Xu D, Zhu D.Short-term gas load forecast based on TCN-BiGRU[C]//2021 China Automation Congress (CAC). Beijing: IEEE, 2021: 7978-7983.

[13]	Liu Y, Gong C, Yang L, et al. DSTP-RNN: a dual-stage two-phase attention-based recurrent neural network for long-term and multivariate time series prediction[J]. Expert Systems with Applications, 2020, 143: 113082.

[14]	Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]// Advances in Neural Information Processing Systems. Long Beach: ACM, 2017: 6000-6010.

[15]	Zhou H, Zhang S, Peng J, et al. Informer: beyond efficient transformer for long sequence time-series forecasting[C]// Proceedings of the AAAI Conference on Artificial Intelligence. Online: AAAI, 2021: 11106-11115.

[16]	Kitaev N, Kaiser Ł, Levskaya A. Reformer: the efficient transformer[J]. arXiv Preprint, arXiv: 2001. 04451, 2020.

[17]	Wu H, Xu J, Wang J, et al. Autoformer: decomposition transformers with auto-correlation for long-term series forecasting[J]. 2021. DOI: 10. 48550/arXiv. 2106. 13008.

[18]	Wei N, Li C, Duan J, et al. Daily natural gas load forecasting based on a hybrid deep learning model[J]. Energies, 2019, 12(2): 218.

[19]	Qiao W, Yang Z, Kang Z, et al. Short-term natural gas consumption prediction based on Volterra adaptive filter and improved whale optimization algorithm[J]. Engineering Applications of Artificial Intelligence, 2020, 87: 103323.

[20]	Laib O, Khadir M T, Mihaylova L. 21st International Conference on Information Fusion ( FUSION).A Gaussian process regression for natural gas consumption prediction based on time series data[C]// Cambridge: IEEE, 2018: 55-61.

[21]	薛亮, 郭仁慧, 刘杨, 等. 基于非均匀快速傅里叶变换的抗振动白光干涉测量方法[J]. 光学学报, 2024, 44(4): 204-214.

[22]	Xue Liang, Guo Renhui, Liu Yang, et al. Vibration-resistant white light interferometry based on non-uniform fast Fourier transform[J]. Acta Optica Sinica, 2024, 44(4): 204-214.

[23]	官宇楠, 王超, 宋博扬. 采用小波分析的风力机叶片声发射信号处理与分析[J]. 西安交通大学学报, 2025, 59(5): 209-216.

[24]	Guan Yunan, Wang Chao, Song Boyang. Acoustic emission signal processing and analysis of wind turbine blades using wavelet analysis[J]. Journal of Xi’an Jiaotong University, 2025, 59(5): 209-216.

[25]	闫孟婷, 陶湘明, 王胜军, 等. 基于SSA-LSTM模型的水电站能效综合评价方法[J]. 水电能源科学, 2024, 42(2): 177-182.

[26]	Yan Mengting, Tao Xiangming, Wang Shengjun, et al. Comprehensive evaluation method of hydropower station energy efficiency based on SSA-LSTM model[J]. Water Resources and Power, 2024, 42(2): 177-182.

[27]	刘斌, 吉春霖, 曹丽君, 等. 基于自适应噪声完全集合经验模态分解与BiLSTM-Transformer的锂离子电池剩余使用寿命预测[J]. 电力系统保护与控制, 2024, 52(15): 167-177.

[28]	Liu Bin, Ji Chunlin, Cao Lijun, et al. Remaining useful life prediction of lithium-ion batteries based on adaptive noise complete ensemble empirical mode decomposition and BiLSTM-Transformer[J]. Power System Protection and Control, 2024, 52(15): 167-177.

[29]	Li Z, Luo X, Liu M, et al. Wind power prediction based on EEMD-Tent-SSA-LS-SVM[J]. Energy Reports, 2022(8): 3234-3243.

[30]	刘永福, 张天颖, 霍殿阳, 等. 基于奇异谱分析和双向LSTM的多元负荷同时预测[J]. 科学技术与工程, 2025, 25(19): 8099-8107.

[31]	Liu Yongfu, Zhang Tianying, Huo Dianyang, et al. Simultaneous prediction of multiple loads based on singular spectrum analysis and bidirectional LSTM[J]. Science Technology and Engineering, 2025, 25(19): 8099-8107.

[32]	Zeng L, Ling L, Zhang D, et al. Optimal forecast combination based on PSO-CS approach for daily agricultural future prices forecasting[J]. Applied Soft Computing, 2023, 132: 109833.

[33]	Wei N, Li C, Peng X, et al. Daily natural gas consumption forecasting via the application of a novel hybrid model[J]. Applied Energy, 2019, 250: 358-368.

[34]	成琳琳. 基于WPD-SCA-ELM模型的天然气负荷短期预测[J]. 石油科学通报, 2024(2): 346-353.

[35]	Cheng Linlin. Short-term prediction of naturalgas load based on WPD-SCA-ELM model[J]. Petroleum Science Bulletin, 2024(2): 346-353.

[36]	邵必林, 任萌, 田宁. 基于STL-XGBoost-NBEATSx的小时天然气负荷预测[J]. 中国石油大学学报(自然科学版), 2024, 48(3): 170-179.

[37]	Shao Bilin, Ren Meng, Tian Ning. Hourly natural gas load forecast based on STL-XGBoost-NBEATSx[J]. Journal of China University of Petroleum(Edition of Natural Science), 2024, 48(3): 170-179.

[38]	Yang F, Li X, Wang M, et al. Waveform: graph enhanced wavelet learning for long sequence forecasting of multivariate time series[C]// Proceedings of the AAAI Conference on Artificial Intelligence. Washington, D. C. : AAAI, 2023: 10754-10761.

[39]	Yi K, Zhang Q, Fan W, et al. A survey on deep learning based time series analysis with frequency transformation[J]. arXiv prePrint, arXiv: 2302. 02173, 2023.

[40]	Cui Z, Qing X, Chai H, et al. Real-time rainfall-runoff prediction using light gradient boosting machine coupled with singular spectrum analysis[J]. Journal of Hydrology, 2021, 603: 127124.

[41]	Wang W, Ye F, Wang Y, et al. A singular spectrum analysis-enhanced BiTCN-selfattention model for runoff prediction[J]. Earth Science Informatics, 2025, 18(1): 31.

[42]	Sanei S, Ghodsi M, Hassani H. An adaptive singular spectrum analysis approach to murmur detection from heart sounds[J]. Medical Engineering & Physics, 2011(3): 362-367.

[43]	Jaseena K U, Binsu C K. Decomposition-based hybrid wind speed forecasting model using deep bidi-rectional LSTM networks[J]. Energy Conversion and Management, 2021, 234: 113944.

[44]	Hewamalage H, Ackermann K, Bergmeir C. Forecast evaluation for data scientists: common pitfalls and best practices[J]. Data Mining and Knowledge Discovery, 2023, 37(2): 788-832.

[45]	Du J, Zheng J Q, Liang Y T, et al. A knowledge-enhanced graph-based temporal-spatial network for natural gas consumption prediction[J]. Energy, 2023. DOI: 10. 1016/J. ENERGY. 2022. 125976.

[46]	Wang Y, Wu H, Dong J, et al. Deep time series models: a comprehensive survey and benchmark[J]. arXiv prePrint, arXiv: 2407. 13278, 2024.

[47]	刘文龙, 唐超礼, 王子玉, 等. 基于SSA改进Informer模型的中国区域大气能见度预测[J/OL]. 重庆工商大学学报(自然科学版), 1-8[2026-03-16]. https://kns.cnki.net/kcms/detail/50.1155.N.20240806.1730.002.html.

[48]

Liu Wenlong, Tang Chaoli, Wang Ziyu, et al. Improved Informer model based on singular spectrum analysis for regional atmospheric visibility prediction in China[J]. Journal of Chongqing Technology and Business University(Natural Science Edition), 1-8[2026-03-16]. https://kns.cnki.net/kcms/detail/50.1155.N.20240806.1730.002.html.

[49]	Wang X, Dong S, Zhang R. An integrated time series prediction model based on empirical mode decomposition and two attention mechanisms[J]. Information, 2023, 14(11): 610.