一种基于双注意力机制的长期时间序列预测方法

本发明公开了一种基于双注意力机制的长期时间序列预测方法，获取历史长期时间序列数据并进行预处理，得到初始长期时间序列数据；构建DuAFormer长期时间序列预测模型，初始长期时间序列数据输入至多个DuAFormer块，得到不同尺度的输出时间特征；其中，多个DuAFormer块逐层堆叠而成，每个DuAFormer块包括时间增强注意力模块、稀疏卷积注意力模块和时间线性层。本发明通过设计时间增强注意力模块、稀疏卷积注意力模块，实现时间序列变量之间的相关性提取、变量间的动态关系捕捉、长期时间依赖性提取和局部特征捕捉，另外降低计算复杂度；通过并行一个时间线性层防止模型容易对分布偏移显著的数据集过拟合。