一种面向时序图数据的快速的状态预测方法技术

本发明专利技术公开了一种面向时序图数据的快速的状态预测方法，包括：步骤1，数据预处理：转换数据格式；步骤2，特征变换：将每一个传感器观测到的数据信息、数据状态信息和时间信息映射到高维空间；步骤3，编码器端的特征学习：将步骤2中的变换后的所有特征相融合，生成时间维度和空间维度的特征，并将时间维度和空间维度的特征融合在一起，传入解码器部分；步骤4，解码器端的特征变换：采用生成式的方式进行特征变换，生成最终学习到的特征；步骤5，数据及状态预测。本发明专利技术考虑数据的状态特征，从数据维持时间的角度切入，来揭示数据状态的变化，在一定程度上减小了数据的冗余程度，有助于提高数据的预测准确性。数据的预测准确性。数据的预测准确性。

【技术实现步骤摘要】
一种面向时序图数据的快速的状态预测方法


[0001]本专利技术涉及时序序列预测
，尤其涉及一种面向时序图数据的快速的状态预测方法。

技术介绍

[0002]时序图数据在当下普遍存在，以交通时序数据来举例，它的预测是构建智慧交通的一个重要组成部分。只有对交通时序数据有了较为可靠的预测，才可以针对未来的车流状况等因素，提前做出合理化的规划。近年来，越来越多的研究集中在这种时序图数据的研究当中：Lai等人使用LSTNet(Long and Short
‑
term Time
‑
series Network)来解决多元时间序列的预测问题，LSTNet整合CNN模型和RNN模型，其中使用CNN来提取数据的短期依赖，用RNN来发现数据的长期模式和趋势，相较于单一模型，提高了数据预测的准确性，但是它忽略了数据之间存在的空间关系。Zheng等人将图结构的知识融入到时间预测中，提出了GMAN(Graph Multi
‑
Attention Network)模型用于长时间的交通信息预测。其中的STE(Spati本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向时序图数据的快速的状态预测方法，其特征在于，包括以下步骤：步骤1，数据预处理：转换数据格式，将传感器汇报的数据按照时间顺序，从时间点+数据值的格式转换为数据值+维持时间的格式；步骤2，特征变换：对于每一个传感器观测到的数据信息，使用TCN模块，映射到高维空间中；对于每一个传感器的数据状态信息，使用TCN卷积的方式，映射到高维空间；对于每一个传感器的时间信息，按照日期，进行特征编码，并通过线性变换的方式，映射到高维空间；步骤3，编码器端的特征学习：将步骤2中的变换后的所有特征相融合，传入基于多头注意力机制的编码器模块，学习在时间维度上的数据特征和数据状态特征；将进行特征变换之前的原始数据传入到动态图神经网络模块，学习在空间维度上的数据特征，并将时间维度和空间维度的特征融合在一起，并传入解码器部分；步骤4，解码器端的特征变换：采用生成式的方式进行特征变换；首先，生成具备时间维度和空间维度的特征；然后与步骤3生成的特征一起进行多头注意力的计算，生成最终学习到的特征；所述步骤4具体包括以下子步骤，步骤401：经过步骤2的变换，获取时间特征、数据特征、数据状态特征的融合特征Z
Fuse_dec
＝Z
Time_dec
+Z
Data_dec
+Z
Dur_dec
；步骤402：将融合特征Z
Fuse_dec
作为输入，传入基于多头注意力机制的解码器部分，经过Mask ProbSparse Self
‑
Attention模块，获取时间维度上的特征表示Z
Out_dec_temporal
；步骤403：使用Dynamic GCN，对原始的数据序列进行特征学习，得到在空间维度上的数据特征，然后经过1D卷积的维度变换，得到Z
Out_dec_spatio
；步骤404：融合解码器部分的时间特征和空间特征，得到Z
Out_dec
＝Z
Out_dec_temporal
+Z
Out_dec_spatio
；然后经过Full Attention，将Z
Out_dec
作为Q，Z
Out_enc
作为K，V，来得到最后的特征输出Z
Out
；步骤5，数据及状态预测：将解码器端最终的生成特征分别传入两个不同的全连接层，进行数据及状态的预测。2.根据权利要求1所述的一种面向时序图数据的快速的状态预测方法，其特征在于，所述数据信息、数据状态信息和时间信息均为数据序列的数据形式。3.根据权利要求1所述的一种面向时序图数据的快速的状态预测方法，其特征在于，所述步骤2包...

【专利技术属性】
技术研发人员：王勇，王晓虎，王范川，秦瑞，张应福，石锟，
申请(专利权)人：创意信息技术股份有限公司，
类型：发明
国别省市：