论文速递！时序预测！DCSDNet：双卷积季节性分解网络，应用于天然气消费预测过程
本期推文将介绍一种新的时序预测方法:双卷积季节性分解网络（Dual Convolution withSeasonal Decomposition Network, DCSDNet）在天然气消费预测的应用，这项研究发表于《Applied Energy》期刊。
针对天然气消费的多重季节性和非规律性，推荐的文献提出了一种新的预测方法:双卷积季节性分解网络(DCSDNet)。所开发的方法应用MSTL分析多种季节模式。局部和全局卷积神经网络分别用于从数据中提取短期和长期特征。此外，还包括一个自回归模型来补偿有关过去消费的预测。实际天然气消费数据的实验验证了该方法相对于几种最新方法的优越性。
具体来说，论文的创新点主要有以下几点：
1）进行了多季节趋势分解(MSTL)，将时间序列分解为多个季节模式、趋势和残差。随着季节模式与原始时间序列的分离，模型可以专注于学习主导时间序列演变的信号的趋势和残差的变化。
2）引入全局时间卷积来提取不规则信号的特征。全局和局部时间特征都被输入到自注意模块中。因此，该模型在捕获全局和局部特征模式方面非常强大。
3）为了解决模型的非线性对输入尺度不敏感的问题，引入了自回归分量。
4）收集了2016年1月至2021年6月的城市实际天然气消费数据，以比较所提出方法与最先进方法的有效性。
