中文题目：基于特征选择和分层卷积机制的时间序列预测模型

论文题目：FSLC: Feature Selection and Layered Convolution for Long-Term Time Series Forecasting

录用期刊/会议：CCC2025 （CAA A类会议）

录用时间：2025.4.2

1)夏苏勇 中国天天色天天（北京）人工智能学院 控制工程 研23级

2)刘建伟 中国天天色天天（北京）人工智能学院 自动化系 教师

摘要:

长期时间序列预测（LTSF）在多个领域具有广泛的应用，但准确捕捉长时间依赖关系和动态特征的重要性依然是一个关键挑战。为此，本文提出了一种新颖的模型架构——FSLC，通过特征选择网络（FSN）和分层卷积机制（LCM）协同工作，提升预测性能。具体来说，FSN利用动态变量选择机制，有效筛选出对预测最关键的特征，增强了模型的鲁棒性与可解释性。LCM结合深度卷积和点状卷积的优势，从不同尺度捕获时间序列中的线性与非线性模式。此外，我们设计了双预测头机制，通过分解与聚合的思想分别处理线性趋势和非线性细节，提高预测的精度与泛化能力。我们在7个真实世界数据集上的实验结果表明，FSLC达到了最佳的性能，在MSE和MAE方面分别比最佳基线平均提升4.92%和4.19%。

背景与动机:

长期时间序列预测 (LTSF) 在能源管理、交通流量预测和金融市场等领域至关重要。然而，现有模型在准确捕捉长时间依赖关系和动态特征上依然面临困难：CNN 模型虽擅长提取局部特征，但难以有效捕获全局依赖关系，而 Transformer 这些模型往往需要消耗大量的计算资源，导致在实际应用中的效率问题。此外，动态选择机制对于预测的效率提升也有待优化。 

主要内容:

本文提出了 FSLC 模型，从两个方面进行创新。FSN通过动态选择关键变量来有效抑制冗余特征和噪声的影响，确保模型能够始终关注最具预测力的特征。其次，LCM通过结合深度卷积和点状卷积的优势，能够同时捕捉时间序列中的局部模式和全局依赖。实验表明，在7个常用的时间序列数据集上验证了FSLC的性能，FSLC 相较于现有模型显著降低了 MSE 和 MAE，并展示了更高的预测准确性和训练效率。这一研究为时间序列预测提供了新的思路和解决方案。

 

图1 FSLC的总体框架

结论:

本文提出了一种新颖的时间序列预测模型——FSLC，通过特征选择网络（FSN）与分层卷积机制（LCM）的协同作用，在长时间序列预测任务中实现了显著性能提升。其中FSN通过动态筛选和权重分配机制，增强了模型对关键特征的感知能力。分层卷积机制则结合深度卷积和点状卷积的优点，以更低的计算成本捕捉复杂的时间依赖关系。此外，模型设计中引入的双头预测机制进一步平衡了线性趋势和非线性变化的预测精度，从实际应用的角度来看，在能源管理、交通流量预测等领域，FSLC能够高效地处理和预测包含长时间依赖的多维数据，提供更为精准的决策支持。

作者简介:

刘建伟，教师。