时序数据广泛存在于工业、经济、气象、交通等各个领域中,这些数据背后蕴含了丰富的事物变化规律,有效掌握并运用这些规律可以有助于开展复杂系统建模、控制和优化决策等理论与应用研究。本文提出一种融合卷积网络和宽度学习网络的时序数据建模方法,具体研究内容如下:为了更好地从时序数据中挖掘出事物变化规律,将变分自编码器和增量学习机制引入宽度卷积网络的构建。首先,利用线性回归方法计算时序数据输入变量和输出变量之间的线性斜率,进而设计了变量筛选算法。然后,构建了融合均方误差重构损失和KL散度为目标函数的变分自编码器,通过自适应矩估计优化算法最小化目标函数对时序数据进行无监督学习,构造编码器特征映射矩阵实现时序数据的特征降维。在此基础上,设计了用于时序数据建模的宽度卷积网络。网络隐层主要由卷积层、特征变换层和残差变换层组成。卷积层利用一维因果卷积和一维标准卷积分别在时序数据的时间和特征维度上进行卷积运算,通过非线性变换获得时序特征,建立基于向量内积的特征重要性度量方法和特征提取方法。特征变换层通过引入宽度学习网络的特征节点和增强节点实现对时序特征的扩充,增强了宽度卷积网络对时序数据的非线性表达能力。为避免网络训练陷入局部最优,引入残差变换层对卷积层变换的时序特征和宽度学习层变换的特征进行融合。为了进一步提升宽度卷积网络对时序数据的拟合能力,设计了两阶段增量学习的策略确定网络参数。首先,使用Xavier均匀分布对网络中权重和偏置参数进行随机初始化,利用自适应矩估计优化算法开展网络参数学习,并借助贝叶斯超参数优化方法确定卷积层中卷积核大小和自适应矩估计中学习率等超参数取值。然后,利用Relu激活函数对特征变换层的节点进行非线性变换得到增量特征节点,卷积层和特征变换层参数保持不变,利用增量学习策略和自适应梯度下降的方法,开展增量特征节点到残差变换层之间权重系数的学习,进一步的,在保持网络隐层中的权重和偏置参数不变的情况下,运用增量学习机制开展了残差变换层到输出层之间的权重系数学习和结构优化,从而实现对宽度卷积网络的结构扩展和参数学习。为验证所提出的时序建模方法的有效性,以涡扇发动机数据集、锂电池数据集和多元时间序列等数据集为研究对象,开展了数值仿真,实验结果验证了该方法的有效性。