【技术实现步骤摘要】
一种基于因果Transformer的网络化数据预测方法
[0001]本专利技术涉及一种基于因果Transformer的网络化数据预测方法,特别是预测复杂工程系统的耦合时间序列。
技术介绍
[0002]复杂工程系统的时间序列预测在各种现实世界的场景中起着至关重要的作用,如交通预测、电力支配、供应链管理和金融投资。如果事件或指标的未来演变可以被准确估计,它可以帮助人们做出重要决策。例如,如果提前预测到有严重的交通堵塞,交通管理部门就能更合理地引导车辆,提高公路网的运行效率。
[0003]在实际问题中,复杂系统往往表现为多变量动态演化过程,具有信息的不完备与不确定性等,因此难以建立起准确的解析形式的数学模型,常常依赖于通过观测所获得的时间序列进行分析。统计学领域中,分析由这些复杂系统生成的时间序列是一种重要的动态数据处理方法。当检测单元较少时,利用经典统计学方法预测耦合时间序列是可行的。移动平均自回归(ARIMA)及其变体是时间序列分析经典方法之一。然而,这种类型的模型受到时间序列的平稳假设的限制,未能将时空相关性考虑在内。因此,这些方法对高维时间序列数据的处理具有限制。随着机器学习在其他领域的应用,相关模型也逐渐被应用于复杂工程系统耦合时间序列的预测,这些模型可以实现更高的预测准确性和更复杂的数据建模,如K
‑
近邻算法(KNN)、支持向量机(SVM)和神经网络(NN)。其中,神经网络方法已被广泛成功地应用于各种耦合时间序列预测任务。相关工作已经取得了重大进展,例如深度置信网络(DBN)、堆叠式自 ...
【技术保护点】
【技术特征摘要】
1.一种基于因果Transformer的网络化数据预测方法,其特征在于,所述方法包括以下步骤:步骤1:网络构建;步骤2:建立时空Transformer卷积模型。2.根据权利要求1所述的基于因果Transformer的网络化数据预测方法,其特征在于,步骤1:网络构建,具体如下:步骤11:因果网络的构建;步骤12:距离网络的构建。3.根据权利要求2所述的基于因果Transformer的网络化数据预测方法,其特征在于,步骤11:因果网络构建网络构建,该阶段包括两步:(1)在观测到的时间序列数据上采用基于因果关系熵的因果推理方法构建因果网络,对于事件X,与之相关的不确定性和复杂性可以通过香农熵来量化,事件X的熵H(X)的计算公式为:其中,p(x)是一个事件X的采取特定值x的概率,对于两个事件X和Y信息之间的关系,通过联合熵H(X,Y)和条件熵H(X|Y),H(Y|X)表征,其定义为:过联合熵H(X,Y)和条件熵H(X|Y),H(Y|X)表征,其定义为:过联合熵H(X,Y)和条件熵H(X|Y),H(Y|X)表征,其定义为:其中,p(x,y)是X=x,Y=y的联合概率,p(x|y),p(y|x)是X=x,Y=y的条件概率,而事件X的信息细分为只属于X的信息以及X和Y的共享信息,互信息I(X;Y)描述事件X和Y之间的共享信息,当两者关系越密切时,互信息越大,互信息I(X;Y)的定义为:I(X;Y)≡H(X)
‑
H(X|Y),此时,若存在第三个事件Z作为发生条件时,事件X,Y的条件互信息I(X;Y|Z)为:I(X;Y|Z)≡H(Y|Z)
‑
H(Y|X,Z),然而互信息只能反映事件之间的关系,为了衡量两个事件之间信息流的方向性,引入转移熵T
X
→
Y
,转移熵T
X
→
Y
的定义为:T
X
→
Y
≡I(X
(t)
;Y
(t++)
|Y
(()
),其中,τ为延迟时间,由于复杂工程系统不可避免地包含两个以上的节点,如果没有适当的条件,转移熵就不能区分网络中的直接和间接因果关系,而因果关系熵C
Y
→
X|Z
克服转移熵的成对限制,因果关系熵C
Y
→
X|Z
的定义为:C
Y
→
X|Z
≡I(Y
(()
;X
((++)
|Z
(()
)=H(X
((++)
|Z
(()
)
‑
H(X
(t+τ)
|Z
(t)
,Y
(t)
),这一指标反映在给定的条件Z
(t)
且明确X
(t++)
的信息和方向时,Y
(t)
能提供的信息量,因
此,通过确定延迟时间τ,得到两个节点时间序列之间信息流的方向,记复杂系统的节点集为V,节点数为N,当两个节点的因果熵大于0时,将两个节点的连边加入边集E
C
中,矩阵W
C
∈R
N
×
N
为以因果熵为权值的矩阵,则其因果网络图可表示为G
C
=(V,E
C
,W
C
),对任一节点x∈V,所有方向指向它且因果熵大于0的节点被称之为因果父母,根据最优因果熵原则,x的因果父母集是使集合中因果熵最大化的最小节点集N
x
,最优因果熵算法可以分成聚合阶段与删除阶段,在聚合阶段,对于节点集V={x,y1,y2,
…
,y
N31
}={x,y},记节点x的因果父母集为z,算法初始阶段z为空集,如果则将节点y
i
添加到z中,即z=z∪y
i
,换而言之,y
i
为当前属于y且不属于z的节点集中因果熵最大的节点,而且该因果熵大于0,当y中找不到这样的节点时,聚合阶段结束,在删除阶段,聚合阶段所得的z可能是与x直接交流的超集,因此,对于z中成员z
i
,如果则将z
i
从z中删除,当遍历z中所有成员后,留在z中的节点就是x的直接因果父母,删除阶段结束,此时N
x
=z,对于V中每个节点进行最优因果熵算法,可以得到两两节点之间的因果关系E
C
,初步构造因果网络,(2)计算因果熵,因果熵等价于互信息,通过一种基于K邻近算法的互信息估计方法来估计两个事件X,Y的互信息:I(X;Y)=ψ(k)+ψ(N)
‑
<ψ(n
x
+1)+ψ(n
y
+1)>,其中<>表示所有样本的平均值,k表示为近邻点个数,是一个Digamma函数是一个Digamma函数N表示样本大小,n
x
,n
y
分别表示X,Y方向满足K邻近算法的个数,即对于固定的k值,设联合空间中的数据点w
i
=(x
i
,y
i
)到其第k个最近邻的距离为∈(i),n
x
,n
y
分别为x
j
,y
j
(j≠i)中满足||x
j
‑
x
i
||
x
<∈(i),||y
j
‑
y
i
||
y
<∈(i)的点数,当范数内为标量相减时,范数的值与标量之差的绝对值相同;当考虑n个独立样本{s1,s2,
…
,s
n
}的联合随机变量S=(X,Y,Z),其中s
i
=(x
i
,y
i
,z
i
),I(X;Y|Z)的估计由以下公式给出:I(X;Y|Z)=ψ(k)
‑
<ψ(n
xz
+1)+ψ(n
yz
+1)
‑
ψ(n
z
+1)>,ψ(k)同样为Digamma函数,对于固定的k值,设联合空间中的数据点s
i
到其第k个最近邻的距离为∈(i),距离度量使用最大范数,即||s
i
‑
s
j
||
xyz
=max{||x
i
‑
x
j
||
x
,||y
i
‑
y
j
||
y
,||z
i
‑
z
j
||
z
},基于此...
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。