多元时间序列预测方法、系统及计算机产品、存储介质技术方案

本发明专利技术公开了一种多元时间序列预测方法、系统及计算机产品、存储介质，使用两个特征提取编码分别提取长短期历史数据矩阵的时空特征向量，将历史时间序列矩阵输入空间特征提取编码器，生成加权注意力空间特征向量，将加权空间特征向量输入门控循环单元生成时空特征向量；将长期历史数据矩阵提取的时空特征向量输入交互注意力模块生成加权特征向量；将短期历史数据矩阵输入自回归层，生成短期历史时间序列数据的线性预测结果；将加权特征向量和编码特征向量结合输入全连接层生成神经网络预测结果，将神经网络预测结果和自回归层线性预测结果相加得到最终的预测结果。本发明专利技术实现了多元时间序列数据精准预测。多元时间序列数据精准预测。多元时间序列数据精准预测。

【技术实现步骤摘要】
多元时间序列预测方法、系统及计算机产品、存储介质


[0001]本专利技术涉及多元时间序列数据预测领域，具体是一种基于特征提取编码与交互注意力模块的多元时间序列预测方法及系统。

技术介绍

[0002]随着大数据技术的发展以及数据的快速增长，利用时间序列数据来预测其未来时刻的状态有着广泛的应用场景，比如交通线路上的交通流量预测、股票市场上的股票价格预测、不同城市的空气质量指数预测。准确预测新的趋势或潜在的事件往往是用户真正感兴趣的内容，并为未来的决策制定和规划提供强有力的支持，有助于高级应用的实施。然而，针对时间序列数据中复杂的周期模式和依赖性等问题无法很好地建模。业界对以上问题进行了深度研究。
[0003]有研究表明，时间序列数据具有复杂的周期模式和时间、空间依赖性，因此通过提取历史时间序列之间的内在关系，准确挖掘短期和长期周期模式，学习时间和空间依赖性，同时有效地结合来自其他变量的信息，实现精准的时间序列预测仍是一个具有挑战性的任务。
[0004]为了解决时间序列预测的问题，业界进行了许多探索并提出了许多序列预测方法。总结起来主本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多元时间序列预测方法，其特征在于，包括以下步骤：S1、将历史时间序列数据[X
k
‑
nT
，...，X
k
‑1]划分为长期历史时间序列数据[X
k
‑
nT
，...，X
k
‑
T
‑1]和短期历史时间序列数据[X
k
‑
T
，...，X
k
‑1]；T为长期历史时间序列数据或短期历史时间序列数据的长度；S2、利用所述长期历史时间序列数据[X
k
‑
nT
，...，X
k
‑
T
‑1]和短期历史时间序列数据[X
k
‑
T
，...，X
k
‑1]获取长期历史时间序列的加权注意力空间特征向量{[z
k
‑
nT
，...，z
k
‑
(n
‑
1)T
‑1]，...，[z
k
‑
2T
，...，z
k
‑
T
‑1]}和短期历史时间序列的加权注意力空间特征向量[z
k
‑
T
，...，z
k
‑1]；将短期历史时间序列数据[X
k
‑
T
，...，X
k
‑1]输入自回归层，获取预测矩阵S3、利用获取的长期历史时间序列的加权注意力空间特征向量{[z
k
‑
nT
，...，z
k
‑
(n
‑
1)T
‑1]，...，[z
k
‑
2T
，...，z
k
‑
T
‑1]}和短期历史时间序列的加权注意力空间特征向量[z
k
‑
T
，...，z
k
‑1]分别获取包含时空相关性的特征编码向量序列{m
i
}和包含时空相关性的特征编码向量u；S4、将{m
i
}和u输入交互注意力网络，获取注意权值分布向量p
i
，通过计算p
i
和{m
i
}的乘积获得加权特征向量o
i
；S5、将尺寸为T
×
d的加权特征向量o
i
和尺寸为1
×
d的包含时空相关性的特征编码向量u联合为尺寸为(T+1)
×
d的新向量，将联合后的新向量输入生成模型，生成非线性的预测矩阵S6、将生成模型输出的预测矩阵与自回归层输出的预测矩阵相加，得到最终的预测结果。2.根据权利要求1所述的多元时间序列预测方法，其特征在于，步骤S2的具体实现过程包括：将长期历史时间序列数据[X
k
‑
nT
，...，X
k
‑
T
‑1]和短期历史时间序列数据[X
k
‑
T
，...，X
k
‑1]分别通过第一空间特征提取器和第二空间特征提取器，获取长期历史时间序列的空间特征向量[e
k
‑
nT
，...，e
k
‑
T
‑1]和短期历史时间序列的空间特征向量[e
k
‑
T
，...，e
k
‑1]，将[e
k
‑
nT
，...，e
k
‑
T
‑1]和[e
k
‑
T
，...，e
k
‑1]分别输入第一注意力层和第二注意力层，获取长期历史时间序列的加权注意力空间特征向量{[z
k
‑
nT
，...，z
k
‑
(n
‑
1)T
‑1]，...，[z
k
‑
2T
，...，z
k
‑
T
‑1]}和短期历史时间序列的加权注意力空间特征向量[z
k
‑
T
，...，z
k
‑1]。3.根据权利要求1所述的多元时间序列预测方法，其特征在于，步骤S3的具体实现过程包括：将获取的长期历史时间序列的加权注意力空间特征向量{[z
k
‑
nT
，...，z
k
‑
(n
‑
1)T
‑1]，...，[z
k
‑

【专利技术属性】
技术研发人员：谢鲲，刘丹，陈小迪，张大方，文吉刚，李肯立，
申请(专利权)人：湖南大学，
类型：发明
国别省市：