【技术实现步骤摘要】
本专利技术属于给水预测，涉及一种基于趋势和多周期分解的深度学习水量预测方法。
技术介绍
1、目前水量预测模型市面上大多停留在使用prophet、xgboost、lstm、gru等机器学习，序列神经网络方法以及他们的变体进行水量时间序列预测，机器学习无法很好地捕捉复杂的不同时间模式，如趋势和多周期性，而且假设时间序列变化遵循预定义的模式。然而，现实世界中的时间序列变化通常非常复杂，远超出了这些预定义模式所能覆盖的范围，这就限制了经典方法在实际应用中的有效性。序列神经网络有误差累积的问题,难以捕获长期依赖关系而且效率受到顺序计算范式的影响，影响长期时间序列预测的结果。
2、长期时间序列在计算机领域里面有用到informer，patchtst，autoformer等transformer模型方法，但他们研究长期时间序列预测的数据集为电力、天气、行车记录和降水量方面，缺少用水量和需水量方面数据的预测。而且在时间序列分析中，许多基于transformer的模型采用注意力机制或其变体来捕获时间点之间的两两时间依赖关系，但是注意力机制很难直接从分散的时间点中找出可靠的依赖关系，因为在错综复杂的时间模式中，时间依赖关系会被深深地掩盖，计算机领域里面dliear，timesnet的问题在于无同时考虑趋势、多周期特征的提取。
技术实现思路
1、本专利技术在于提供一种基于趋势和多周期分解的深度学习水量预测方法，通过增加周期和趋势结合提取不同时间模式特征的方法，改进对周期特征的提取，达到提高预
2、为了实现上述目的，本专利技术采用了以下技术方案：
3、一种基于趋势和多周期分解的深度学习水量预测方法，其特征在于，包括以下步骤：
4、输入一个批次数量b、序列长度s、特征维度c的时间序列，对时间序列进行平稳化处理得到第一序列；
5、嵌入第一序列相对位置信息和时间周期信息得到第二时间序列x；
6、对第二时间序列进行填充，填充得到第三时间序列，对第三时间序列进行一维平均池化，得到趋势项，第二时间序列和趋势项相减得到周期项；
7、周期项利用线性层作维度变换后重复特征提取得到周期特征结果；
8、所述周期项利用线性层作维度变换后重复特征提取得到周期特征结果，包括采用快速傅里叶变换对周期项进行处理后将一维的周期项变换为二维，得到二维周期特征图序列，对二维周期特征图序列周期提取，重复提取后将周期提取完后的二维周期特征图序列重整为一维特征序列，对周期项进行注意力处理得到不同周期下的对应二维特征图的权值，一维特征序列和权值相乘得到周期特征结果；
9、周期特征结果和趋势项相加得到预测结果；
10、将标准化的预测结果反向变化，得到经过反归一化处理后的最终预测结果。
11、优选的，所述嵌入第一序列相对位置信息和时间周期信息，包括以下步骤：
12、令牌嵌入，输入第一序列进行时间特征嵌入转化为特征维度的序列，得到变换后的u；
13、位置嵌入，使用位置嵌入嵌入序列所在位置到数据中，得到位置特征嵌入结果pe；
14、时间信息嵌入，使用时间信息嵌入对时间周期的时间特征尺度融合，得到时间信息嵌入的结果se；
15、将序列的令牌嵌入、位置嵌入和时间信息嵌入结果相加，得到序列的嵌入层结果x；
16、其中，x＝u+pe+se。
17、优选的，所述对第二时间序列进行填充，填充得到第三时间序列，对第三时间序列进行一维平均池化，得到趋势项，第二时间序列和趋势项相减得到周期项，包括以下步骤：
18、对第二时间序列x进行填充操作，分别向前和向后的进行数据补齐，得到填充后的xpadding；
19、对进行1d平均池化，设定步长长度，对步长长度内的数据取算术平均得到趋势项xt；
20、第二时间序列和趋势项xt相减得到周期项
21、其中，xt＝avgpool(padding(x))，
22、优选的，所述周期项利用线性层作维度变换后重复特征提取得到周期特征结果，包括周期项利用线性层作维度变换，从维度变换为其中p为输出长度序列；
23、通过周期特征提取模块进行重复n次特征提取，得到周期特征结果xp。
24、优选的，所述采用快速傅里叶变换对周期项进行处理后将一维的周期项变换为二维，包括以下步骤：
25、对周期项快速傅里叶变换得到傅里叶变换频率序列
26、对傅里叶变换频率序列xf的b和dmodel维取平均得到
27、取最高振幅对应的k个频率作为周期分界项，周期t整除对应最高的k个频率，得到k个最频繁的周期p和频率f；
28、对周期项进行扩充，对周期p和频率f进行变换，得到二维周期特征图序列其中，pi为周期p变换后的二维张量行数，fi为频率f变换后的二维张量列数。
29、优选的，所述重复提取后将周期提取完后的二维周期特征图序列重整为一维特征序列，对周期项进行注意力处理得到不同周期下的对应二维特征图的权值，包括以下步骤：
30、提取k个周期的周期特征；
31、将周期特征提取完的二维周期特征图序列重整为一维序列，变换过程为变为
32、通过softmax处理不同周期对应的振幅赋予不同周期权值。
33、优选的，所述一维特征序列和权值相乘得到周期特征结果，包括得到的周期特征结果为
34、优选的，所述周期特征结果和趋势项相加得到预测结果，包括以下步骤：
35、周期特征结果和趋势项整形为目标输出序列格式；
36、周期特征结果和趋势项相加得到预测结果y′＝[y′1,y′2,...,y′p]t∈rb×p×c。
37、优选的，所述将标准化的预测结果反向变化，得到经过反归一化处理后的最终预测结果，包括通过标准差和均值进行转换，得到最终的预测结果
38、其中，σx和μx分别表示输入序列x的标准差和均值。
39、本专利技术的有益效果：本专利技术引入时间序列数据内部含有趋势和周期特征到长期时间序列预测任务中，将一维时间序列转化为二维表示，重复提取特征，利用卷积的特性减少参数量，减少误差累积，达到提高预测准确率的效果。
本文档来自技高网...【技术保护点】
1.一种基于趋势和多周期分解的深度学习水量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于趋势和多周期分解的深度学习水量预测方法，其特征在于，所述将相对位置信息和时间周期信息嵌入所述第一序列得到第二时间序列X，包括以下步骤：
3.根据权利要求1所述的一种基于趋势和多周期分解的深度学习水量预测方法，其特征在于，所述对所述第二时间序列X进行填充，得到第三时间序列，对所述第三时间序列进行平均池化，得到趋势项，所述第二时间序列X和所述趋势项相减得到周期项，包括以下步骤：
4.根据权利要求3所述的一种基于趋势和多周期分解的深度学习水量预测方法，其特征在于，对所述周期项依次进行线性层作维度变换和重复特征提取得到周期特征结果，包括周期项利用线性层作维度变换，从维度变换为其中P为输出长度序列；
5.根据权利要求4所述的一种基于趋势和多周期分解的深度学习水量预测方法，其特征在于，所述对所述周期项依次进行线性层作维度变换和重复特征提取得到周期特征结果，包括以下步骤：
6.根据权利要求5所述的一种基于趋势和多周期分解的深
7.根据权利要求6所述的一种基于趋势和多周期分解的深度学习水量预测方法，其特征在于，所述重复提取后将周期提取完后的二维周期特征图序列重整为一维特征序列，对周期项进行注意力处理得到不同周期下的对应二维特征图的权值，包括以下步骤：
8.根据权利要求6所述的一种基于趋势和多周期分解的深度学习水量预测方法，其特征在于，所述一维特征序列和所述权值相乘得到周期特征结果，包括得到的所述周期特征结果为
9.根据权利要求8所述的一种基于趋势和多周期分解的深度学习水量预测方法，其特征在于，所述周期特征结果和所述趋势项相加得到预测结果，包括以下步骤：
10.根据权利要求9所述的一种基于趋势和多周期分解的深度学习水量预测方法，其特征在于，所述将所述预测结果反向变化，得到最终预测结果，包括通过标准差和均值对所述预测结果进行转换，得到最终的预测结果
...【技术特征摘要】
1.一种基于趋势和多周期分解的深度学习水量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于趋势和多周期分解的深度学习水量预测方法，其特征在于，所述将相对位置信息和时间周期信息嵌入所述第一序列得到第二时间序列x，包括以下步骤：
3.根据权利要求1所述的一种基于趋势和多周期分解的深度学习水量预测方法，其特征在于，所述对所述第二时间序列x进行填充，得到第三时间序列，对所述第三时间序列进行平均池化，得到趋势项，所述第二时间序列x和所述趋势项相减得到周期项，包括以下步骤：
4.根据权利要求3所述的一种基于趋势和多周期分解的深度学习水量预测方法，其特征在于，对所述周期项依次进行线性层作维度变换和重复特征提取得到周期特征结果，包括周期项利用线性层作维度变换，从维度变换为其中p为输出长度序列；
5.根据权利要求4所述的一种基于趋势和多周期分解的深度学习水量预测方法，其特征在于，所述对所述周期项依次进行线性层作维度变换和重复特征提取得到周期特征结果，包括以下步骤：
6...
【专利技术属性】
技术研发人员：冯庆星，何立新，卢伟，
申请(专利权)人：广州市自来水有限公司，
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。