本报讯（通讯员万仁卓）根据Essential Science Indicators（简称ESI）最新数据显示，我校电气学院万仁卓教授团队发表在国际学术期刊《Electronics》上的研究论文《Multivariate Temporal Convolutional Network: A Deep Neural Networks Approach for Multivariate Time Series Forecasting》（Electronics 2019, 8(8), 876）成功入选工程学科领域ESI全球前1%高被引论文。论文第一作者为万仁卓教授，通讯作者为杨帆副教授，武汉纺织大学为第一通讯单位。
多变量时间序列预测在能源、气象、金融等众多领域至关重要。该研究针对传统建模方法难以捕捉数据长期依赖关系、深度学习模型计算量大、对非周期数据预测效果不佳等问题，创新性地提出 M-TCN 模型，显著提高预测准确性。
M-TCN 模型将多变量时间序列预测构建为非周期数据集的序列到序列场景。模型采用 1D 卷积而非因果卷积，避免了因果卷积受时间序列绝对顺序限制的问题，更高效地学习数据特征。同时，模型运用空洞卷积算法，在不丢失序列信息的情况下扩大感知视野，适应长信息依赖问题。此外，M-TCN 创新性地引入两种不同的非对称残差块，构建了多头模型，每个输入变量都有单独的子模型，学习不同特征信息，最后组合子模型输出进行预测（图1）。
该模型在Beijing-PM2.5 数据集和 ISO-NE 数据集进行实验验证。对比实验结果显示，在与长短期记忆网络（LSTM）、卷积长短期记忆网络（ConvLSTM）等多种传统和深度学习模型的对比中，M-TCN 模型表现优异，在两个数据集上的预测精度比 LSTM 和 MALSTM-FCN 等模型高出约10%～20%，且在长期预测中 RRSE 保持稳定增长，波动较小。
该研究为多变量时间序列预测提供了更高效准确的方法，团队未来将聚焦基于高阶统计特征的提取技术，减少模型参数和训练时间，进一步优化模型性能，推动多变量时间序列预测领域发展，为相关行业决策提供有力支持。