招聘信息
工业生产领域需要对长时序数据进行跟踪预测,长时序数据跟踪预测要求模型具有很强的预测能力,而现有的短时序预测技术难以满足要求。为此,课题组针对Informer模型应用于长时序数据跟踪预测存在冗余信息等问题,研究了基于改进多头注意力机制的长时序数据跟踪预测模型Muformer,首次将混合感知域、多粒度注意头机制和注意头修剪机制用于减少Informer模型的冗余信息。经测试,该模型在5个大型数据集上的长时序数据跟踪预测性能均优于7种现有主流时序数据预测方法。
考虑到现有基于深度学习的时序数据预测方法均以时序预测为主,忽视了时序数据内部的空间联系,以点预测点的方式导致特征提取不充分。课题组研究了基于时空四维卷积网络的跨时空时序数据预测技术。该技术有效提取立体空间和时间维度的双重特征,预测能力显著增强。