一种跨维度的多元时间序列预测方法和系统技术方案

本发明专利技术提供一种跨维度的多元时间序列预测方法和系统，涉及多元时间序列预测技术领域，方法包括：获取待预测的多元时间序列并分解为趋势项和季节项；利用训练好的趋势项预测模型对趋势项进行预测，获取趋势项预测结果；利用训练好的季节项预测模型对季节项进行预测，获取季节项预测结果；最后将趋势项预测结果与季节项预测结果进行融合，获取多元时间序列预测结果，完成跨维度的多元时间序列预测；本发明专利技术通过建立多层次分解跨维度信息提取的预测模型，将多元时间序列分解为趋势项和季节项并分别进行预测，并基于膨胀卷积和注意力机制提取季节项的跨维度和跨时间相关信息，有效地提高了预测的准确性，实现了对跨维度的多变量时间序列的准确预测。量时间序列的准确预测。量时间序列的准确预测。

【技术实现步骤摘要】
一种跨维度的多元时间序列预测方法和系统


[0001]本专利技术涉及多元时间序列预测
，更具体地，涉及一种跨维度的多元时间序列预测方法和系统。

技术介绍

[0002]时间序列预测已广泛应用于经济、制造、医疗保健、商业和环境监测等各个领域，用于预测股票价格、商品销售、疾病传播、天气变化和交通流量分析等任务，这些应用程序依靠历史时间序列数据并预测未来序列，以辅助决策和规划。然而，随着传感器数量、传感器采样率和数据存储周期的增长，时间序列数据在特征规模、样本规模和时间尺度方面变得越来越大。
[0003]目前多元长时间序列的预测基于CNN模型、RNN模型和transformer模型，由于使用CNN模型进行预测会使其处理中长期时间序列数据的能力受到极大的限制，从而忽略了长期时间信息的依赖。然而如果使用基于transformer模型来捕获序列数据的中远程时间依赖，会导致消耗大量的计算资源，增加计算复杂性。而且现有技术对长时间序列预测、多维度特征信息提取、时间序列复杂模式没有很好的拟合性。
[0004]现有技术公开了一种基于DTW
‑
former的时间序列预测模型及方法，该方案的技术要点是以包含时域注意力和基于DTW的频域注意力的DTW Attention为模型核心，用于学习时间序列的依赖关系；设置嵌入的多分辨率自注意力分解模块，使得模型能够更好的捕捉时间序列的潜在趋势，从而细化时间序列的趋势信息；尽管该现有技术中的方案能够高效处理长时间输入序列、平衡全局信息和局部信息的获取以及考虑长期未来序列的潜在模式之间的层次交互作用，但其在面对多元长时间序列的预测时，仍然无法克服跨变量信息和跨时间信息的相关性没有得到充分利用的缺陷。

技术实现思路

[0005]本专利技术为克服上述现有技术在进行多变量时间序列预测时未充分利用跨变量信息和跨时间信息的相关性以及预测难度大的缺陷，提供一种跨维度的多元时间序列预测方法和系统，能够更好地对跨维度的多变量时间序列进行高效、准确的预测。
[0006]为解决上述技术问题，本专利技术的技术方案如下：
[0007]一种跨维度的多元时间序列预测方法，包括以下步骤：
[0008]S1：获取待预测的多元时间序列并进行模式分解，获取趋势项和季节项；
[0009]所述待预测的多元时间序列包括至少两个变量；
[0010]S2：利用训练好的趋势项预测模型对趋势项进行预测，获取趋势项预测结果；
[0011]所述趋势项预测结果包括趋势项的跨变量相关性预测结果和跨时间相关性预测结果；
[0012]利用训练好的季节项预测模型对季节项进行预测，获取季节项预测结果；
[0013]所述季节项预测结果包括季节项的跨变量相关性预测结果和跨时间相关性预测
结果；
[0014]S3：将趋势项预测结果与季节项预测结果进行融合，获取多元时间序列预测结果，完成跨维度的多元时间序列预测。
[0015]优选地，所述步骤S1中，获取待预测的多元时间序列并进行模式分解，获取趋势项和季节项的具体方法为：
[0016]获取待预测的多元时间序列并输入预设的平均滤波器中进行模式分解，提取待预测的多元时间序列中的趋势项；
[0017]将待预测的多元时间序列与趋势项之间的差序列作为季节项。
[0018]优选地，所述步骤S2中的趋势项预测模型包括：依次连接的第一多层感知机网络和第二多层感知机网络。
[0019]优选地，所述步骤S2中获取趋势项预测结果的具体方法为：
[0020]将趋势项输入训练好的趋势项预测模型中进行预测，利用第一多层感知机网络获取趋势项的跨变量相关性预测结果；
[0021]将提取跨变量相关性预测结果后的趋势项输入第二多层感知机网络，获取趋势项的跨时间相关性预测结果；
[0022]根据趋势项的跨变量相关性预测结果和跨时间相关性预测结果获取趋势项预测结果。
[0023]优选地，所述步骤S2中的季节项预测模型包括：依次连接的第三多层感知机网络、膨胀卷积层、第一线性层、多头注意力层、展平层和第二线性层。
[0024]优选地，所述步骤S2中获取季节项预测结果的具体方法为：
[0025]S2.1：将季节项输入训练好的季节项预测模型中进行预测，利用第三多层感知机网络获取季节项的跨变量相关性预测结果；
[0026]S2.2：将提取跨变量相关性预测结果后的季节项输入膨胀卷积层中进行膨胀卷积，获取膨胀卷积后的季节项；
[0027]S2.3：将膨胀卷积后的季节项二次分解为若干个季节项子序列；
[0028]S2.4：将所有季节项子序列通过第一线性层映射至高维隐藏维度，并提取所有季节项子序列之间的跨时间相关性信息，获取若干个映射后的季节项子序列，以及季节项的跨时间相关性局部信息；
[0029]S2.5：对于每个映射后的季节项子序列，添加预设的位置编码后依次输入多头注意力层中，获取季节项的跨时间相关性全局信息，将季节项的跨时间相关性局部信息和跨时间相关性全局信息进行融合，获取季节项的跨时间相关性全局
‑
局部信息；
[0030]S2.6：将季节项的跨时间相关性全局
‑
局部信息通过展平层进行展平，获取展平结果；将展平结果通过第二线性层进行映射，获取季节项的跨时间相关性预测结果；
[0031]S2.7：根据季节项的跨变量相关性预测结果和季节项的跨时间相关性预测结果获取季节项预测结果。
[0032]优选地，所述步骤S2.3中，所有季节项子序列的长度相同。
[0033]本专利技术还提供一种跨维度的多元时间序列预测系统，应用上述的一种跨维度的多元时间序列预测方法，包括：
[0034]时间序列获取和分解单元：用于获取待预测的多元时间序列并进行模式分解，获
取趋势项和季节项；
[0035]所述待预测的多元时间序列包括至少两个变量；
[0036]预测单元：用于利用训练好的趋势项预测模型对趋势项进行预测，获取趋势项预测结果；
[0037]所述趋势项预测结果包括趋势项的跨变量相关性预测结果和跨时间相关性预测结果；
[0038]利用训练好的季节项预测模型对季节项进行预测，获取季节项预测结果；
[0039]所述季节项预测结果包括季节项的跨变量相关性预测结果和跨时间相关性预测结果；
[0040]预测结果融合单元：用于将趋势项预测结果与季节项预测结果进行融合，获取多元时间序列预测结果，完成跨维度的多元时间序列预测。
[0041]本专利技术还提供一种计算机可读的存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法中的步骤。
[0042]本专利技术还提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行上述方法中的步骤。
[0043]与现有技术相比，本专利技术技术方案的有益效果是：
...

【技术保护点】

【技术特征摘要】
1.一种跨维度的多元时间序列预测方法，其特征在于，包括以下步骤：S1：获取待预测的多元时间序列并进行模式分解，获取趋势项和季节项；所述待预测的多元时间序列包括至少两个变量；S2：利用训练好的趋势项预测模型对趋势项进行预测，获取趋势项预测结果；所述趋势项预测结果包括趋势项的跨变量相关性预测结果和跨时间相关性预测结果；利用训练好的季节项预测模型对季节项进行预测，获取季节项预测结果；所述季节项预测结果包括季节项的跨变量相关性预测结果和跨时间相关性预测结果；S3：将趋势项预测结果与季节项预测结果进行融合，获取多元时间序列预测结果，完成跨维度的多元时间序列预测。2.根据权利要求1所述的一种跨维度的多元时间序列预测方法，其特征在于，所述步骤S1中，获取待预测的多元时间序列并进行模式分解，获取趋势项和季节项的具体方法为：获取待预测的多元时间序列并输入预设的平均滤波器中进行模式分解，提取待预测的多元时间序列中的趋势项；将待预测的多元时间序列与趋势项之间的差序列作为季节项。3.根据权利要求2所述的一种跨维度的多元时间序列预测方法，其特征在于，所述步骤S2中的趋势项预测模型包括：依次连接的第一多层感知机网络和第二多层感知机网络。4.根据权利要求3所述的一种跨维度的多元时间序列预测方法，其特征在于，所述步骤S2中获取趋势项预测结果的具体方法为：将趋势项输入训练好的趋势项预测模型中进行预测，利用第一多层感知机网络获取趋势项的跨变量相关性预测结果；将提取跨变量相关性预测结果后的趋势项输入第二多层感知机网络，获取趋势项的跨时间相关性预测结果；根据趋势项的跨变量相关性预测结果和跨时间相关性预测结果获取趋势项预测结果。5.根据权利要求4所述的一种跨维度的多元时间序列预测方法，其特征在于，所述步骤S2中的季节项预测模型包括：依次连接的第三多层感知机网络、膨胀卷积层、第一线性层、多头注意力层、展平层和第二线性层。6.根据权利要求5所述的一种跨维度的多元时间序列预测方法，其特征在于，所述步骤S2中获取季节项预测结果的具体方法为：S2.1：将季节项输入训练好的季节项预测模型中进行预测，利用第三多层感知机网络获取季节项的跨变量相关性预测结果；S2.2：将提取跨变量相关性预测结果后的季节项输入膨胀卷积层中进行膨胀...

【专利技术属性】
技术研发人员：曾安，张志鹏，张逸群，潘丹，姬玉柱，刘鑫，周钰婷，许灿耀，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：