WITRAN:基于改进的RNN时间序列预测模型

​1. 研究背景与挑战​

• ​核心问题​：长期时间序列预测需同时捕捉全局/局部相关性​（Global-local Semantic Information）和长/短期重复模式​（Periodic Semantic Information），但现有方法无法兼顾两者且计算效率低。
• ​现有方法局限​：
  • ​RNN类​（如LSTM/GRU）：能建模序列依赖但存在梯度消失/爆炸和信息遗忘问题（附录B验证）。
  • ​CNN类​：受限于感受野大小，难以捕获长周期模式。
  • ​Transformer类​：点积注意力机制难以提取深层语义信息，且复杂度高（如Transformer为O(L²)）。
• ​关键挑战​：如何在低复杂度下（O(√L)时间 + O(L)内存）同时建模多尺度语义信息。

​2. 核心创新：WITRAN模型​

​​（1）水波信息传输框架（WIT）​​

• ​输入重组​（图2a）：
  • 按自然周期将1D序列