【技术实现步骤摘要】
基于Transformer时序预测的环境监测方法
[0001]本专利技术属于环境监测
，具体涉及一种基于Transformer时序预测的环境监测方法。
技术介绍
[0002]在环境监测领域中，气体浓度数据具有时间跨度大、周期性强的特点。目前，对环境中的气体浓度数据进行时间序列预测时，所采用的方法通常可分为三类，即：自回归模型、机器学习方法和神经网络方法。
[0003]然而，相关技术中基于自回归的ARIMA模型只能捕捉线性关系、不能捕捉非线性关系，一旦待预测的气体浓度数据为非线性，就需要耗费海量资源。对于机器学习方法，虽然时间序列数据预测的过程本质上与机器学习方法分类中的回归分析之间存在着紧密的联系，但随着数据周期的增长，传统的神经网络模型会出现数据的距离依赖问题，即数据早期的特征无法对模型产生应有的影响。而对于神经网络的方法，基于Encoder
‑
Decoder的Transformer时间序列预测模型得到了广泛地应用，但是，在该模型的训练过程中，随着模型深度和数据长度的增加，需要消耗大量的内存
【技术保护点】
【技术特征摘要】
1.一种基于Transformer时序预测的环境监测方法，其特征在于，包括：获取当前环境中的气体浓度数据，所述气体浓度数据包括时间序列信息；将所述气体浓度数据输入至预先训练好的时序预测模型，以使所述时序预测模型中的第一子网络对所述气体浓度数据进行预处理，得到全局数据；使编码器Encoder模型按照预设时间段从所述全局数据中获得多个局部数据，并确定各个局部数据相对于所述全局数据的自相关程度的概率分布；使译码器Decoder模型根据所述自相关程度的概率分布，确定当前时刻之后的预设时间段内待检测环境中的气体浓度。2.根据权利要求1所述的基于Transformer时序预测的环境监测方法，其特征在于，所述第一子网络包括因果卷积网络和三角时序定位网络；所述将所述气体浓度数据输入至预先训练好的时序预测模型，以使所述时序预测模型中的第一子网络对所述气体浓度数据进行预处理，得到全局数据的步骤，包括：将所述当前环境中的气体浓度数据输入至所述因果卷积网络，以使所述因果卷积网络对所述气体浓度数据进行压缩，得到压缩数据；所述压缩数据包含所述气体浓度数据的周期特征；将所述压缩数据输入至所述三角时序定位网络，以使所述三角时序定位网络确定压缩数据的时序位置信息，得到全局数据。3.根据权利要求2所述的基于Transformer时序预测的环境监测方法，其特征在于，所述使编码器Encoder模型按照预设时间段从所述全局数据中获得多个局部数据，并确定各个局部数据相对于所述全局数据的自相关程度的概率分布的步骤，包括：使Encoder模型将所述全局数据按照预设时间段划分为多个局部数据，并针对每个局部数据，根据其时序位置信息对全局数据进行掩码操作；按照如下公式确定所述全局数据中，与各个局部数据计算自相关程度的数据单元所在的位置：其中，表示Encoder模型中第K层的第l个数据单元，表示Encoder模型中第K层的第l个数据单元，表示与进行自相关程度计算的第K
‑
1层中数据单元的位置；根据所述数据单元的位置，分别确定各个局部数据与其在全局数据中对应的数据单元之间的自相关程度；根据所述自相关程度，确定各所述局部数据相对于所...
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。