System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及多因素时序预测,特别是涉及一种多因素时序预测的环境监测方法、装置、介质及产品。
技术介绍
1、多因素时间序列预测是一种预测建模方法,利用多类型传感器和系统的多个变量及其过去的多源异构时间序列数据来准确预测未来值。在过去几十年中,多因素时间序列预测在分析动态现象和预测未来趋势方面发挥了重要作用,其应用领域十分广泛,如空气质量预测、智慧农业环境状态预测、经济和价格预测、能源电力规划、智能交通、以及流行病防治等。在上述实际应用中,一个配备了精确未来预测器的有效智能系统在规划基本活动的有效决策、预防意外风险和重大灾难方面发挥着至关重要的作用。随着传感器技术、物联网、6g通信、云存储系统等技术的快速发展,大量多因素时间序列数据被定时记录下来,例如空气质量数据、智慧温室环境数据、交通流量数据等,以用于各领域的预测控制应用。然而,这些数据呈现出数据异构、数值尺度差异、非线性、非平稳性和波动性等特征。为了完成适当的预测,数据驱动的建模需要构建自适应处理海量数据的能力,以及提取重要特征和多因素之间关联表征的能力,这些都是影响模型性能的关键操作。
2、目前,时间序列预测模型可分别分为统计分析和概率估计、机器学习算法、深度学习算法和图相关方法。而时间序列数据大致可分为单变量、多变量和多因素数据,其预测难度和复杂性也逐渐增加。统计分析和概率估计是预测时间序列数据的传统方法,主要是构建历史输入和未来状态之间的数学表达式。虽然这些方法坚持严格的推理和明确的步骤,但在准确性和效率方面的预测性能并不理想。尤其是在处理具有非线性和噪声的
3、近年来,传统技术逐渐演变为深度学习方法,在提高各种预测的准确性和有效性方面取得了显著进展。深度学习方法模仿大脑神经元结构和传导方式,将不同功能层、非线性激活、正则化约束和优化策略等多个处理模块整合在一起,构建出各种具有复杂深度结构和大规模参数的新型神经网络。这类深度学习模型可以自动处理大规模的多因素时间序列数据集,学习更多的表征特征,并以端到端的训练方式取得优于传统方法的预测结果。目前,卷积神经网络(convolutional neural network,cnn)、循环神经网络(recurrentneural network,rnn)、编解码器(encoder-decoder)、transformer、和图相关神经网络(graph-related neural network,gnn)等多种深度学习框架被广泛应用于各个行业和领域,可以解决从单变量时间序列预测到多变量预测以及多因素时空预测等问题。然而,深度学习方法目前在处理从多源传感器收集的时间序列数据时遇到了挑战,这些数据包含固有噪声和异常值,如果预处理不当,会严重影响数据质量。此外,由于时空维度之间存在固有的因果关系和数值差异,同时预测众多因素会增加实际难度,导致预测准确性降低。
4、为了应对这些挑战,可以通过归一化技术来减少离群值的影响,从而减少噪音或异常值对模型拟合的影响。另一种受到广泛关注的方法是图相关技术,它能直观地表示不同数据源、多元数据和特征之间存在的相互依存关系。此外,图相关方法在学习特征和训练模型时无需依赖太多特定领域的知识,因此易于适应新数据和新任务,并能与其他技术有效结合。因此,不少由图相关技术和深度学习架构组成的预测方法在有效挖掘和分析复杂时间序列数据方面取得了显著成就。然而,如何从充满噪声和不规则分布的原始时间序列数据中提取有效的图模式仍是一个重大挑战。现有的基于前沿多因素图相关预测模型没有明确描述各因素间的隐性依赖关系,这削弱了其面对高维多源问题时的预测能力。因此,如何考虑不同因素之间的相关性,以及增强处理异常的具有噪音的多源异构数据的能力成为多因素时间序列预测中亟待解决的问题。
技术实现思路
1、本专利技术的目的是提供一种多因素时序预测的环境监测方法、装置、介质及产品,能够提高多因素时序预测的预测精度。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种多因素时序预测的环境监测方法,包括:
4、获取待测区域的检测样本;所述检测样本是在检测时间段内的多变量实测值时间序列;所述变量与设置在待测区域的环境参数传感器一一对应;
5、对所述检测样本进行自适应区间归一化处理,得到归一化样本;
6、根据多个搜索步长,对归一化样本进行多次线性变换处理,得到多个线性变换样本;
7、分别计算每个线性变换样本与所述检测样本的余弦相似度;
8、确定最大余弦相似度对应的线性变换样本为检测变尺度样本;
9、将所述检测变尺度样本输入到柔性图关联表征学习模块中,得到预测变尺度样本;所述柔性图关联表征学习模块是利用待测区域的历史检测样本对,对初始柔性图关联表征学习模块进行训练后的到的;所述初始柔性图关联表征学习模块包括依次连接的源柔性图关联表征学习层、双流并行编解码模块和目标柔性图关联表征学习层;所述双流并行编解码模块包括依次连接的编码器和解码器;所述编码器与所述源柔性图关联表征学习层连接;所述解码器与所述目标柔性图关联表征学习层连接;
10、对预测变尺度样本依次进行逆线性变换处理和逆区间归一化处理,得到预测样本;所述预测样本包括待测区域中多个环境参数传感器在预测时间段内的多变量预测值时间序列。
11、可选的,所述源柔性图关联表征学习层包括:
12、依次连接的第一前馈神经网络、第一余弦相似性-逐点线性缩放模块、第一标量积模块、第一残差连接模块、第一丢弃正则化模块、第一层归一化模块和第二前馈神经网络;
13、所述第一前馈神经网络的输入端与所述第一标量积模块的输入端和所述第一残差连接模块的输入端连接。
14、可选的,所述目标柔性图关联表征学习层包括:
15、依次连接的第三前馈神经网络、第二余弦相似性-逐点线性缩放模块和第二标量积模块;
16、所述第三前馈神经网络输入端与所述第一前馈神经网络的输出端连接;
17、所述第二标量积模块的输入端与所述解码器的输出端连接。
18、可选的,所述编码器包括:
19、依次连接的多头注意力模块、第二丢弃正则化模块、第二层归一化模块、第二残差连接模块、第三层归一化模块、逐点前馈网络、第三丢弃正则化模块、第三残差连接模块和第三层归一化模块;
20、所述多头注意力模块的输入端和所述第二残差连接模块的输入端均与所述第二前馈神经网络的输出端连接;
21、所述第二层归一化模块的输出端与所述第三残差连接模块的输入端连接。
22、可选的,所述解码器包括:
23、依次连接的时间解码器、权本文档来自技高网...
【技术保护点】
1.一种多因素时序预测的环境监测方法,其特征在于,包括:
2.根据权利要求1所述的一种多因素时序预测的环境监测方法,其特征在于,所述源柔性图关联表征学习层包括:
3.根据权利要求2所述的一种多因素时序预测的环境监测方法,其特征在于,所述目标柔性图关联表征学习层包括:
4.根据权利要求3所述的一种多因素时序预测的环境监测方法,其特征在于,所述编码器包括:
5.根据权利要求4所述的一种多因素时序预测的环境监测方法,其特征在于,所述解码器包括:
6.根据权利要求1所述的一种多因素时序预测的环境监测方法,其特征在于,在所述获取待测区域的检测样本之前,还包括:
7.一种计算机装置,包括:存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-6中任一项所述的一种多因素时序预测的环境监测方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6中任一项所述的一种多因素时序预测的环境监测方法。
9.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6中任一项所述的一种多因素时序预测的环境监测方法。
...【技术特征摘要】
1.一种多因素时序预测的环境监测方法,其特征在于,包括:
2.根据权利要求1所述的一种多因素时序预测的环境监测方法,其特征在于,所述源柔性图关联表征学习层包括:
3.根据权利要求2所述的一种多因素时序预测的环境监测方法,其特征在于,所述目标柔性图关联表征学习层包括:
4.根据权利要求3所述的一种多因素时序预测的环境监测方法,其特征在于,所述编码器包括:
5.根据权利要求4所述的一种多因素时序预测的环境监测方法,其特征在于,所述解码器包括:
6.根据权利要求1所述的一种多因素时序预测的环境监测方法,其特征在于,在...
【专利技术属性】
技术研发人员:董子萌,王小艺,肖伯祥,孔建磊,刘正东,
申请(专利权)人:北京服装学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。