【技术实现步骤摘要】
一种轻量化的大尺度多元时间序列预测模型及其训练方法
[0001]本专利技术涉及信息
，具体来说涉及神经网络
，更具体地说，涉及一种轻量化的大尺度多元时间序列预测模型及其训练方法
。
技术介绍
[0002]时间序列是指在不同的多个时间点上收集到的具有时间顺序关系的数据的序列，它可以来自于各种领域，是研究和预测各种现象的重要手段
。
[0003]在现实世界中，时间序列可以说是无处不在，它广泛地存在于各个领域中，包括金融
、
气象
、
能源
、
交通
、
工业制造
、
互联网和社交媒体等
。
例如，在金融领域中，股票价格和交易量都是时间序列数据，它们的变化受到许多因素的影响，例如公司财政状况
、
宏观经济因素和市场趋势等
。
在气象领域中，温度
、
降雨量
、
湿度等都是时间序列数据，它们的变化与时间的变化和季节变化有关
。
【技术保护点】
【技术特征摘要】
1.
一种用于交通流量预测模型的训练方法，其特征在于，包括：获取训练集，其包括多个交通流量样本和对应的标签，其中，每个交通流量样本为一个多元时间序列，多元时间序列包括多个传感器在预设交通系统中不同的道路采集的同时期的时间序列，每个时间序列包括一条道路的路口设置的传感器采集的多个历史时刻的交通流量数据，标签为对应交通流量样本中每个时间序列对应的道路在一个或者多个未来时刻的交通流量真值；获取初始构建的交通流量预测模型，其包括：用于存储多个源表示向量的存储体，每个源表示向量是表示一种空间属性的原型向量，用于从输入的多元时间序列提取每个时间序列的时序特征的编码器，用于根据每个时间序列的时序特征
、
空间标识向量和时间序列被采集时对应的时间属性确定每个时间序列对应的道路在一个或者多个未来时刻的交通流量的解码器，其中，每个时间序列的空间标识向量是根据每个时间序列的时序特征与存储体中各个源表示向量的注意力值对各个源表示向量进行加权得到；以初始构建的交通流量预测模型为基础，利用训练集对交通流量预测模型进行多次迭代训练，训练时更新编码器
、
解码器的可训练参数以及存储体中的多个源表示向量
。2.
根据权利要求1所述的方法，其特征在于，所述每个时间序列的空间标识向量按照以下方式计算：分别计算该时间序列的时序特征与存储体中的各个源表示向量之间的注意力值，得到多个注意力值；利用所述多个注意力值中的每个注意力值对各个源表示向量中对应的源表示向量进行加权求和，得到该时序特征的空间标识向量
。3.
根据权利要求2所述的方法，其特征在于，每个时间序列的空间标识向量按照以下方式计算：其中，
Q
表示时间序列的时序特征，
K...
【专利技术属性】
技术研发人员：王元，王飞，徐勇军，邵泽志，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：
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。