【技术实现步骤摘要】
本申请涉及人工智能，特别涉及一种基于局部分段的时间序列预测方法。
技术介绍
1、时间序列是按照时间顺序排列的数据，反映一段时间内单个或多个变量的变化情况，其具有时间依赖性和相关性。时间序列预测可以揭示观测变量的变化规律和趋势，为精细化管理和智能决策提供数据支持。时间序列预测作为人工智能技术的重要应用，可以助力生产制造、经济金融、资源监测等行业的发展。
2、目前，较多采用的基于循环神经网络（rnn）的长短时记忆网络（lstm）等模型，已经在诸多实际应用中展现出多步预测的良好性能。然而，受限于模型结构，循环神经网络通常不适于并行训练且存在梯度消失问题，导致捕获序列长度受限；基于卷积神经网络（cnn）的时间卷积网络（tcn）解决了并行训练的问题，但由于依靠堆叠隐藏层来获得更大的感受野，导致对内存的需求巨大。因此，亟需一种时间序列预测方法解决上述问题。
技术实现思路
1、鉴于此，本申请提供一种基于局部分段的时间序列预测方法，可以将注意力计算的单个时间点对应的时间序列数据之间的相关性转换...
【技术保护点】
1.基于局部分段的时间序列预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于局部分段的时间序列预测方法，其特征在于，对所述第一训练集、所述第一验证集和所述第一测试集进行预处理，得到预处理后的第二训练集、第二验证集和第二测试集，包括：
3.根据权利要求1或2所述的基于局部分段的时间序列预测方法，其特征在于，所述将所述第二训练集输入至所述原始预测模型中进行训练，得到目标预测模型，包括：
4.根据权利要求3所述的基于局部分段的时间序列预测方法，其特征在于，所述Transformer注意力模块包括编码器和解码器，所述编码器用...
【技术特征摘要】
1.基于局部分段的时间序列预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于局部分段的时间序列预测方法，其特征在于，对所述第一训练集、所述第一验证集和所述第一测试集进行预处理，得到预处理后的第二训练集、第二验证集和第二测试集，包括：
3.根据权利要求1或2所述的基于局部分段的时间序列预测方法，其特征在于，所述将所述第二训练集输入至所述原始预测模型中进行训练，得到目标预测模型，包括：
4.根据权利要求3所述的基于局部分段的时间序列预测方法，其特征在于，所述transformer注意力模块包括编码器和解码器，所述编码器用于计算自注意力并将结果输入至所述解码器，所述解码器用于计算交叉注意力；
5.根据权利要求3所述的基于局...
【专利技术属性】
技术研发人员：王涛，杨斌，赵影，贺业凤，
申请(专利权)人：山东捷瑞数字科技股份有限公司，
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。