南京航空航天大学学报

作者：潘志松，韩笑，黎维

单位：陆军工程大学指挥控制工程学院,南京 210007；,陆军工程大学指挥控制工程学院,南京 210007；,陆军装甲兵学院信息通信系,北京 100072；

关键词：深度学习;时间序列预测;多任务时间序列预测;参数共享;参数交互

基金：国家自然科学基金（62076251）；陆军工程大学基础学科科研基金科研课题培育项目（KYJBJKQTZK23003）。

深度学习因能够更好地捕捉时间序列数据中的复杂关系和模式而成为解决时间序列预测的有效方法。典型的做法是单独地学习这些任务，为每个任务训练1个单独的神经网络，在时间序列预测中取得了丰硕的成果。最近的多任务学习技术通过学习共享知识联合处理多个预测任务，在性能、计算和内存占用方面显示出了其优势。本文首先综述了以卷积神经网络、循环神经网络、注意力机制、Transformer和图神经网络为代表的时间序列预测深度模型，包括数据集、模型特点和性能；然后深入分析了深度多任务时间序列预测模型，按照参数共享方式和参数共享（交互）位置进行分类概述，并讨论了一些常见的多任务时间序列预测框架。最后对深度时间序列预测面临的问题和挑战进行了总结，并对未来研究趋势进行了展望。

来源：2025年第5期

《南京航空航天大学学报》期刊编辑部

查看南京航空航天大学学报杂志2025年第5期