近日，计算机学院数字化智能应用团队在长时间序列预测、神经网络可解释性等研究方向取得新进展，研究成果“Component-wise Independent Adaptive Learning and Local Optimization for Long-term Forecasting”被人工智能领域期刊《Engineering Applications of Artificial Intelligence》（EAAI） 接收并在线发表。论文第一作者为2023级硕士研究生陈飞同学，计算机学院程科教授为通讯作者，江苏科技大学为第一完成单位，江南大学王士同教授和河北工业大学王元全教授为论文共同作者。
EAAI 是人工智能应用领域公认的高水平学术期刊（中科院计算机科学一区Top期刊，最新影响因子 8.0）。该刊物由 Elsevier 出版，其发表的研究往往具有突出的实用性与跨学科价值，在学界、工业界得到广泛认可，并在近年的期刊影响因子评价中稳居人工智能应用类期刊前列。
时间序列预测是对随时间变化数据进行建模与未来趋势推断的重要研究方向，广泛应用于能源调度、交通管理、金融分析等实际场景。随着应用需求的提升，预测任务逐渐从短期预测扩展到更具挑战性的长时间序列预测。然而，现有方法多采用端到端深度模型对原始序列进行整体建模，在小样本或长预测步长条件下，容易出现过拟合、训练过程不稳定以及不同时间模式相互干扰等问题。此外，复杂模型内部缺乏清晰的结构约束，使得预测结果难以解释，限制了模型在高可靠性场景中的应用。因此，如何在保证预测性能的同时，实现结构清晰、训练稳定且具备内在可解释性的长时间序列预测模型，仍然是该领域亟待解决的关键问题。
针对上述问题，研究团队提出了一种成分独立自适应学习与局部优化框架（CIALLO），通过对时间序列进行结构化建模来提升长时间预测的稳定性与可靠性。该方法首先将原始时间序列可逆地分解为趋势、波形和幅度等具有明确统计含义的成分，并为不同成分分别构建预测子模型，从而避免端到端建模中不同时间模式相互干扰的问题。在训练过程中，各成分模型可以独立训练与收敛分析，并通过整体整合实现联合预测，有效缓解了深度模型中常见的训练进度不一致与早停失配现象。同时，研究进一步引入引导梯度机制，对反向传播过程进行成分级约束，使各成分仅接收与其语义一致的梯度信息，从结构和训练过程层面提升了模型的可解释性。
论文链接：https://doi.org/10.1016/j.engappai.2026.113845
