简介：为提高图像时间序列预测的精度,本研究提出了一种基于长短期记忆网络(long short-term memory,LSTM)与注意力机制的时间序列预测网络:MA-LSTM.该网络整体由多尺度注意力模块(multi-scale attention block,MAB)、多尺度注意力层(multi-scale attention layer,MALayer)和超分辨率重建模块(super resolution reconstruction module,SRRM)组成,以多尺度特征建模为核心,着重提升时空特征表达能力与长程依赖建模能力.首先,MA-LSTM设计了 MAB模块,通过时空特征增强层提升模型的细节建模能力,并利用通道特征增强层加强了特征图的跨维度信息交互,解决了 SwinLSTM对于细粒度特征捕捉不足的问题.其次,MA-LSTM引入了简化的LSTM结构,与MAB结合构建了 MALayer,增强模型对时序信息的建模能力.最后,在特征图重建时设计了 SRRM模块,有效增强模型预测输出的细节表达能力.研究表明,MA-LSTM在MovingMNIST和KTH两个不同领域的数据集上,结构相似性指数分别达到0.960 2和0.924 3,与SwinLSTM、PhyDNet、PredRNN、ConvLSTM网络进行的对比试验结果表明,结构相似性指数最高提升了 0.337和0.212,展现了其在时序预测任务中的高效性和适用性,且具备跨领域的推广潜力.此外,消融实验进一步证明了本文所提出模块的有效性.展开
