基于趋势和残差分离的深度学习工业时序数据预测算法

本发明公开了基于趋势和残差分离的深度学习工业时序数据预测算法，包括输入历史时序数据及控制量数据，将时序数据和控制量数据分别分解为季节性成分与趋势成分；对分解后的数据进行特征提取与降维，将控制量的季节性和趋势成分降至一维表示，并与目标序列对应部分堆叠后生成最终季节性与趋势特征；将季节性和趋势特征分别输入全连接层和非线性激活函数生成隐藏表示，经线性变换并相加得到完整预测值；以预测值与真实值的均方误差最小化为目标进行模型训练，本发明解决了现有技术依赖递归方式进行多步预测，训练时间较长且存在累计误差，导致精度不佳的问题，能够进行并行计算、显著缩短训练时间，适合于大规模时序预测任务。