Page 97 - 《软件学报》2026年第2期
P. 97
576 软件学报 2026 年第 37 卷第 2 期
表 2 历史窗口=12, 预测窗口=4 时, 预测损失 MSE 表 3 历史窗口=24, 预测窗口=8 时, 预测损失 MSE
对比 对比
数据集 数据集
模型 项目 模型 项目
Azure2021 Google2019 SockShop Azure2021 Google2019 SockShop
对比方法 0.238 0.497 0.325 对比方法 0.239 0.522 0.336
BiLSTM BiLSTM
SAC-MWF 0.105 0.491 0.314 SAC-MWF 0.170 0.475 0.313
对比方法 0.129 0.501 0.364 对比方法 0.166 0.524 0.481
GRU GRU
SAC-MWF 0.105 0.492 0.314 SAC-MWF 0.152 0.478 0.336
对比方法 0.126 0.510 0.361 对比方法 0.167 0.556 0.416
TCN TCN
SAC-MWF 0.105 0.497 0.314 SAC-MWF 0.147 0.536 0.319
对比方法 0.189 0.559 0.397 对比方法 0.265 0.535 0.414
Crossformer Crossformer
SAC-MWF 0.116 0.517 0.313 SAC-MWF 0.172 0.476 0.326
对比方法 0.155 0.632 0.332 对比方法 0.174 0.550 0.322
Informer Informer
SAC-MWF 0.094 0.500 0.319 SAC-MWF 0.156 0.539 0.266
对比方法 0.131 0.516 0.305 对比方法 0.177 0.573 0.311
iTransformer iTransformer
SAC-MWF 0.104 0.509 0.304 SAC-MWF 0.170 0.535 0.302
对比方法 0.139 0.563 0.339 对比方法 0.159 0.699 0.368
SCINet SCINet
SAC-MWF 0.105 0.519 0.312 SAC-MWF 0.142 0.558 0.303
对比方法 0.130 0.508 0.357 对比方法 0.162 0.534 0.370
TimeMixer TimeMixer
SAC-MWF 0.105 0.499 0.310 SAC-MWF 0.144 0.526 0.340
对比方法 0.132 0.541 0.357 对比方法 0.161 0.534 0.413
DLinear DLinear
SAC-MWF 0.105 0.522 0.314 SAC-MWF 0.146 0.479 0.218
表 4 历史窗口=48, 预测窗口=16 时, 预测损失 MSE 表 5 历史窗口=96, 预测窗口=48 时, 预测损失 MSE
对比 对比
数据集 数据集
模型 项目 模型 项目
Azure2021 Google2019 SockShop Azure2021 Google2019 SockShop
对比方法 0.238 0.569 0.335 对比方法 0.241 0.678 0.299
BiLSTM BiLSTM
SAC-MWF 0.180 0.552 0.219 SAC-MWF 0.196 0.657 0.210
对比方法 0.183 0.568 0.429 对比方法 0.229 0.673 0.328
GRU GRU
SAC-MWF 0.176 0.560 0.244 SAC-MWF 0.196 0.660 0.221
对比方法 0.192 0.591 0.194 对比方法 0.229 0.731 0.164
TCN TCN
SAC-MWF 0.176 0.584 0.186 SAC-MWF 0.202 0.678 0.181
对比方法 0.242 0.662 0.370 对比方法 0.231 0.760 0.273
Crossformer Crossformer
SAC-MWF 0.181 0.593 0.220 SAC-MWF 0.213 0.680 0.212
对比方法 0.211 0.591 0.322 对比方法 0.228 0.787 0.574
Informer Informer
SAC-MWF 0.185 0.562 0.212 SAC-MWF 0.208 0.678 0.205
对比方法 0.228 0.653 0.144 对比方法 0.286 0.771 0.150
iTransformer iTransformer
SAC-MWF 0.178 0.595 0.185 SAC-MWF 0.206 0.681 0.161
对比方法 0.204 0.666 0.231 对比方法 0.223 0.774 0.200
SCINet SCINet
SAC-MWF 0.176 0.597 0.184 SAC-MWF 0.202 0.680 0.198
对比方法 0.195 0.579 0.165 对比方法 0.247 0.699 0.156
TimeMixer TimeMixer
SAC-MWF 0.177 0.559 0.185 SAC-MWF 0.197 0.685 0.188
对比方法 0.193 0.580 0.187 对比方法 0.223 0.697 0.167
DLinear DLinear
SAC-MWF 0.176 0.559 0.185 SAC-MWF 0.196 0.678 0.194
总体来看, SAC-MWF 能够有效降低基线方法的 MSE. 从模型视角来看, SAC-MWF 能为 9 个对比模型带来平
均 4.6%–21.7% 的 MSE 提升. 提升较为明显的模型包括 Informer、Crossformer 和 BiLSTM, 平均提升幅度均超过
18.6%. 提升中等的模型包括 GRU、SCINet 和 DLinear, 平均提升幅度为 10.5%–14.5%. SAC-MWF 对 TimeMixer、
