基金项目:国网江苏省电力有限公司科技项目(J2020128)收稿日期:2021－05－27修回日期:2021－06－03第40卷第2期计算机仿真2023年2月文章编号:1006－9348(2023)02－0524－06基于多尺度通道融合学习的时空数据预测模型孙蓉1，李强1，吴盛军1，刘伟伟2(1．国网江苏省电力有限公司电力科学研究院，江苏南京211103;2．南京理工大学自动化学院，江苏南京210094)摘要:万物互联时代种类繁多的信息采集设备产生了大量具有内生空间和时间关联的时空数据。针对时空数据预测中因数据复杂耦合导致的建模困难，提出一种覆盖多时间尺度的多通道融合学习模型。从大尺度中长期和小尺度临近短期分别挖掘数据的时空特征，通过设计一种轻量级卷积门控循环单元抽取数据中长期稳态特征，通过堆叠式三维卷积神经网络抽取数据的短期全局动态特征，将多尺度特征融合后实现多对象预测。在风电场实测多机组出功以及开源多点位风速这两种典型时空数据集上的实验结果表明，上述模型与当前同类时空数据预测算法相比可有效提高预测准确率。关键词:时空数据;预测;深度学习;轻量卷积门控循环单元;三维卷积神经网络中图分类号:TP391文献标识码:BPredictionModelforSpatio－TemporalDataBasedonFusionLearningofMulti－ScaleChannelsSUNＲong1，LIQiang1，WUSheng－jun1，LIUWei－wei2(1．ElectricPowerＲesearchInstituteofStateGridJiangsuElectricPowerCo．，Ltd．，NanjingJiangsu211103，China;2．SchoolofAutomation，NanjingUniversityofScienceandTechnology，NanjingJiangsu210094，China)ABSTＲACT:Hugeamountsofspatio－temporaldatahavebeengeneratedbyvariousinformationacquisitiondevicesintheInternetofEverythingera，whicharecharacterisedbyinherentspatialandtemporalcorrelations．Aimingatsol-vingthemodelingdifficultyduetothecomplexcouplingcharacteristics，amulti－channelfusionlearningmodelthatcancovermulti－timescalesisproposed，whichexploitsthemediumandlong－termfeaturesonalargescaleandthenearbyshort－termfeaturesonasmallscale，respectively．Thesteady－statecharacteristicsinthemediumandlong－termareextractedusinglightweightconvolutionalgatedrecurrentunits，andtheoveralldynamiccharacteristicsintheshort－termareextractedusingstackedthree－dimensionalconvolutionalneuralnetworks，multi－objectpredictioncanberealized...
