一种结合PCA-ICA和多层次特征缩放框架的混合方法，采用双向LSTM-GRU架构，显著提升了多变量时间序列预测的准确性

《Scientific Reports》：A hybrid PCA-ICA and multi-level feature scaling framework with bidirectional LSTM-GRU architecture improves multivariate time series forecasting accuracy

　　

摘要

精确的多变量时间序列（MTS）预测，尤其是在空气质量监测等大气应用中，仍然是一项具有挑战性的任务，因为数据维度高、存在时间相关性以及特征之间的非平稳交互作用。传统的预测方法，如自回归积分滑动平均（ARIMA）和孤立的长短期记忆网络（LSTM），可能无法捕捉非线性关系，并且对特征的比例非常敏感；而基于主成分分析（PCA）的降维方法可能会导致信息丢失。为了解决这些问题，我们提出了PIHS-Bi-LSTM-GRU这一深度学习混合模型，该模型结合了基于PCA-ICA的降维技术、多级特征混合缩放方法，以及改进的双向LSTM门控循环单元（GRU）架构，同时还采用了双层归一化和dropout机制。我们的方法首先使用Min-Max、Z-Score和Robust缩放器对特征进行加权集成处理，以稳定异构特征分布；随后通过独立成分分析（ICA）提取统计上独立的潜在信号；深度学习模型再从转换后的序列中学习时间模式。一种新的逐分量逆变换机制能够实现特征空间的精确重构。在实际空气质量数据上的全面评估表明，所提出的模型在平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）以及\(R^{2}\)等指标上均显著优于基线方法。这些结果表明，该框架在捕捉复杂的时间-空间关系以及提高多变量预测的可靠性方面具有显著效果。