时间序列中非平稳性和波动性的建模及预测.pdfVIP

计算机科学与探索1673-9418/2025/19(05)-1313-09

JournalofFrontiersofComputerScienceandTechnologydoi:10.3778/j.issn.1673-9418.2407096

时间序列中非平稳性和波动性的建模及预测

1211+

冯强，赵建光，杨茸，牛保宁

1.太原理工大学计算机科学与技术学院（大数据学院），山西晋中030600

2.天津市医疗服务评价和指导中心，天津300131

+通信作者E-mail:niubaoning@

摘要：时间序列预测的难点在于如何处理好非平稳性和波动性。在应对非平稳性时，现有深度学习模型在训练前

采取平稳化输入序列的方法，存在消解非平稳性能力不强或信息损失的问题；在应对波动性时，通常采用带有单头

注意力机制的LSTM模型，捕获全局依赖能力弱，影响预测精度。针对上述问题，在处理非平稳性方面，提出遵循

“提取-分解”原则的Prophet-CEEMDAN二次分解法，将原始序列分解为一组分量，该方法在确保趋势和周期特征完

整的情况下，提高分量集合中平稳分量的占比，为预测模型提供更稳定的数据分布。在波动性方面，通过使用带有

多头自注意力机制的长短期记忆（LSTM-MH-SA）神经网络模型，并行地堆叠注意力头用于捕获序列不同时间段的

波动特征并联系起来，提高捕获全局波动信息的能力。结合Prophet-CEEMDAN和LSTM-MH-SA，提出能够同时处

理时间序列非平稳性和高波动性的PCLMS模型。在多个股票数据集和合成数据集上的实验表明，对比基准模型、

CNN-LSTM和Informer模型，PCLMS模型在各项评价指标的平均值最优，对波动率较高的数据集性能表现最好。

关键词：时间序列预测；非平稳；高波动；长短期记忆神经网络；多头自注意力

文献标志码：A中图分类号：TP391

ModelingandPredictingTimeSerieswithNon-stationarityandVolatility

1211+

FENGQiang,ZHAOJianguang,YANGRong,NIUBaoning

1.CollegeofComputerScienceandTechnology(CollegeofDataScience),TaiyuanUniversityofTechnology,Jinzhong,

Shanxi030600,China

2.TianjinMedicalServiceEvaluationandGuidanceCenter,Tianjin300131,China

Abstract:Thedifficultyoftimeseriespredictionliesinhowtohandlenon-stationarityandvolatility.Whendealingwith

non-stationarity,existingdeeplearningmodelsadoptamethodofstabilizingtheinputsequencesbeforetraining,which

hasproblemsofweakabilitytoeliminatenon-stationarityorlossofinformation.Whendealingwithvolatility,LSTM

modelswithasingle-headattentionmechanismareusuallyused,whichhaveweakabilitytocaptureglobaldependencies

andaffectpredictionaccuracy.Toaddresstheseissues,intermsofdealin