计算机工程与应用

作者：王新科, 梅红岩, 赵勤, 翟心晨, 赵恩童

单位：辽宁工业大学 电子与信息工程学院，辽宁 锦州 121000；

关键词：多元长期预测,深度学习,特征提取,冗余特征,时间卷积网络,自适应稀疏自注意力,Informer

基金：国家自然科学基金（12371363）；辽宁省科技计划联合计划（重点研发计划项目）（2025JH2/101800245）。

在多元长期时间序列预测中，数据的特征冗余和长期依赖关系难以捕捉，成为影响预测精度的关键问题。为了提高多元长期时间序列预测精度，提出了一种基于TA-Informer的多元长期时间序列预测模型。模型使用时间卷积网络（TCN）对多元长时间序列进行特征提取，用于捕获长期依赖关系，将提取的特征输入自适应稀疏自注意力（ASSA）中来消除冗余特征并增强重要特征，将增强的重要特征输入Informer模块实现多元长期时间序列预测任务。实验结果表明，TA-Informer与基准模型Informer相比较，在六个公开数据集上的MSE分别下降了57.5%，25.8%，50.3%，60%，48.1%和45.2%，体现了方案的有效性和可行性。

来源：2026年第8期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第8期