来源：期刊VIP网 时间：
作者：陈旭;张建伟;王叔洋;景永俊;
单位：北方民族大学计算机科学与工程学院;北方民族大学电气信息工程学院;
摘要：目的 为解决多变量长时间序列预测模型难以充分利用时间序列时频信息的问题，提出一种基于多级提升小波变换的神经网络模型（multi-level wavelet transform Network,mLWTNet）。方法 首先通过提升小波变换从时域和频域角度对时间序列进行有效分解，并对分解得到的高频子序列进行自适应滤波；其次利用Elman神经网络提取时间序列的非线性特征，同时通过差分自回归移动平均模型（autoregressive integrated moving average model,ARIMA）捕获时间序列的线性特征；最后将非线性与线性预测结果加权融合，以提高预测的准确性。结果 在5个公开真实数据集上实验结果表明，与FEDformer,InParformer,WaveForM等5种主流的长时间序列预测模型相比，mLWTNet在不同预测长度下的MSE和MAE均达到最优。相比次优结果，mLWTNet的平均MSE和MAE分别提升了约7.15%和2.43%。结论 通过利用提升小波变换与分层重构预测，能够充分利用时间序列的时频信息，有效提高了时间序列的预测精度。
关键词：长时间序列预测;;时间序列分解;;提升小波变换;;自适应滤波;;Elman神经网络
基金资助：中央高校基本科研业务费专项项目（2023ZRLG13）;; 宁夏回族自治区重点研发项目（2023BDE02017）
