根据Essential Science Indicators（简称ESI）最新数据显示，我校电子与电气工程学院万仁卓教授团队发表在国际学术期刊《Electronics》上的研究论文《Multivariate Temporal Convolutional Network: A Deep Neural Networks Approach for Multivariate Time Series Forecasting》（Electronics 2019, 8(8), 876）成功入选工程学科领域ESI全球前1%高被引论文。论文第一作者为万仁卓教授，通讯作者为杨帆副教授，武汉纺织大学为第一通讯单位。

多变量时间序列预测在能源、气象、金融等众多领域至关重要。该研究针对传统建模方法难以捕捉数据长期依赖关系、深度学习模型计算量大、对非周期数据预测效果不佳等问题，创新性地提出 M-TCN 模型，显著提高预测准确性。

M-TCN 模型将多变量时间序列预测构建为非周期数据集的序列到序列场景。模型采用 1D 卷积而非因果卷积，避免了因果卷积受时间序列绝对顺序限制的问题，更高效地学习数据特征。同时，模型运用空洞卷积算法，在不丢失序列信息的情况下扩大感知视野，适应长信息依赖问题。此外，M-TCN 创新性地引入两种不同的非对称残差块，构建了多头模型，每个输入变量都有单独的子模型，学习不同特征信息，最后组合子模型输出进行预测（图1）。

图1 M-TCN模型网络结构（左），残差网络结构和非对称残差模块（右）

    该模型在Beijing-PM2.5 数据集和 ISO-NE 数据集进行实验验证。对比实验结果显示，在与长短期记忆网络（LSTM）、卷积长短期记忆网络（ConvLSTM）等多种传统和深度学习模型的对比中，M-TCN 模型表现优异，在两个数据集上的预测精度比 LSTM 和 MALSTM-FCN 等模型高出约10%-20%，且在长期预测中 RRSE 保持稳定增长，波动较小。

图2 模型在Bejing-PM2.5(左)和ISO-NE(右)的预测结果VS传统模型

该研究为多变量时间序列预测提供了更高效准确的方法，团队未来将聚焦基于高阶统计特征的提取技术，减少模型参数和训练时间，进一步优化模型性能，推动多变量时间序列预测领域发展，为相关行业决策提供有力支持。

全文链接：https://www.mdpi.com/2079-9292/8/8/876

ESI高被引论文简介：

ESI(基本科学指标数据库Essential Science Indicators的简称）是由世界著名的学术信息出版机构美国科技信息所于2001年推出的衡量科学研究绩效、跟踪科学发展趋势的基本分析评价工具。其中ESI高被引论文（Highly Cited Paper）指发表于过去十年内某学科领域相同发表年论文中被引用次数排名在前1%以内的论文。目前，ESI高被引论文论文已成为当今世界范围内普遍用以评价高校、学术机构、国家地区国际学术水平及影响力的重要评价指标工具之一。