在数字化时代，时间序列数据广泛分布在所有领域，对其进行精准预测能够为调度和决策提供帮助。由于时间序列数据维度高、耦合关系复杂、存在长期依赖性，对其进行预测难度较大。当下深度网络预测模型以其强大的学习能力逐步取代机器学习模型成为主流，其中卷积-长短期记忆网络（Convolution Neural Network-Long Short Term Memory，CNN-LSTM）凭借强大特征提取能力和序列学习能力在预测任务中有出色表现，但也存在一定局限性：1）CNN-LSTM网络的预测表现随序列长度增加而劣化；2）网络的最佳结构参数难以确定。
为准确对时间序列进行预测，本文在CNN-LSTM网络的基础上进行改进，提出了一种双阶段注意力机制的并行门控卷积网络-双向长短期记忆网络（Dual-Stage Attention Based Gated Convolution Neural Network-Bi-direction Long Short Term Memory，DA-GCNN-BiLSTM），通过增强网络长期依赖处理能力来提升CNN-LSTM在长序列学习任务上的表现；为获得最佳的网络参数，本文对鲸鱼优化算法（Whale Optimization Algorithm，WOA）进行改进，提出了一种自适应遗传-鲸鱼（Genetic Algorithm-Whale Optimization Algorithm，GA-WOA）混合优化算法用于搜索网络的最佳结构参数。本文主要工作和创新如下：
1）网络设计和验证。DA-GCNN-BiLSTM采用Encoder-Decoder结构。多个并行的GCNN和自注意力机制作为Encoder一是可以捕获不同步长下的数据特征，二是GCNN和自注意力机制均允许重要特征跨长时间传递，增强网络捕获长期依赖特征的能力。Decoder中BiLSTM网络较之LSTM处理长序列的能力更强，时间注意力机制的引入则进一步提升Decoder对长序列的学习表现。网络在工业生产、民用建筑能耗和金融股市三个不同数据集上进行性能测试，实验证明模型预测准确性良好，具备较好的处理长期依赖的能力。
2）网络最佳结构参数确定。WOA算法拥有强大的全局搜索能力，但局部搜索能力略差，可能错过最佳结构参数。本文对WOA改进，首先引入新参数评估搜索阶段并对WOA参数进行自适应调整，其次引入GA变异和交叉策略强化局部搜索能力。实验证明自适应GA-WOA的寻优精度强于三种常见优化算法，且寻优表现较WOA有明显提升，能找到更好的解。在自适应GA-WOA算法对网络最佳参数搜索实验中，优化后网络预测准确性在三个数据集上均有所提升。
谷歌
火狐
