2025年4月，工程中心研究团队在IEEE工业信息学领域顶级期刊《IEEE Transactions on Industrial Informatics》（中科院1区Top，影响因子12.3）发表题为“Long-Term Series Forecasting for Industrial Processes based on Multiscale Hybrid Decomposition Feature Extraction Network”的研究论文（DOI: 10.1109/TII.2025.3347000）。
长期序列预测（LTSF）在工业生产过程的能效分析和优化中起着至关重要的作用。然而，由于工业生产数据的复杂性和非平稳性，数据之间的波动和变换深度混合，变量之间相互作用，使得预测极具挑战性。因此，文章提出了一种用于工业长期序列预测的新型多尺度混合分解特征提取网络（MHDN）。MHDN由多尺度特征提取（MFE）和时间混合预测器（TMP）组成，以充分提取多尺度时间特征。MHDN打破了将分解作为预处理块的传统操作，将时间序列分解作为深度模型的基本内部块。
具体而言，MFE分别从季节性和趋势分量中提取特征，实现了时间模式的充分提取和数据波动与复杂过程数据的解耦。TMP在时域和特征域集成了多个预测器并利用残差连接避免信息丢失，有效利用多尺度信息进行互补预测。最后，在6个基准和一个实际工业生产数据集上对MHDN进行了验证。实验结果表明，与当前基线相比，MHDN方法取得了最先进的结果，将平均均方误差和平均绝对误差降低了至少7.8%和5.6%，能够有效指导工业生产。
第一作者为王悦，北京化工大学智能过程系统工程中心博士研究生，研究方向为神经网络、工业软传感器建模。通讯作者为韩永明，教授，博士生导师，国家优青，计算机系系主任，研究领域包括人工智能、机器学习、系统建模及优化、能效评价、数据分析与信息集成、智能优化等；胡渲，硕士生导师，主持国家自然基金青年项目、中国自动化学会网络计算专委会委员，研究领域包括时间序列预测、复杂化工过程智能建模等；耿志强，教授，博导，现为智能过程系统工程教育部工程研究中心主任、北京化工大学数据科学与工程研究中心主任、中国自动化学会理事过程监控与优化领域权威学者。
《IEEE Transactions on Industrial Informatics》（IEEE TII）是工业信息化领域全球最具影响力的期刊之一，聚焦工业物联网、智能制造系统、工业人工智能等前沿方向，以严格的学术标准推动产业智能化变革，年均录用率不足15%。