System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于计算机,尤其是涉及基于多尺度网络的时间序列预测方法。
技术介绍
1、多维时序数据预测在电力、金融、交通和气象等多个领域展现出广泛的应用价值。此技术能够有效地预测特定领域内数据的未来趋势,实现突发事件的预警,减轻经济损失,并辅助决策者作出基于数据支持的决策。
2、在时序数据预测领域,早期研究主要集中在统计学方法,但这些方法大多依赖于数据的线性关系进行建模,并且在非线性数据的预测及复杂模式的识别方面表现不佳。
3、与此相比,深度学习模型能够有效建模特征间的非线性关系,并展现出更强的学习能力。很多时序预测领域重要算法涉及循环神经网络(rnn,recurrent neural network)和卷积神经网络(cnn,convolutional neural network)。然而现有的时序预测模型仍面临以下挑战:一是难以同时提取数据的多尺度时序特征;二是依赖于数据点的注意力模型往往忽略了局部上下文信息和变量间的关联信息;三是过往模型未对协变量进行深入分析,忽视了关键协变量的重要性。
技术实现思路
1、有鉴于此,本专利技术旨在克服现有技术中上述问题的不足之处,提出基于多尺度网络的时间序列预测方法,通过构建新的预测模型msla,不仅能够提取多尺度信息,还能够捕捉变量间的关联关系和局部信息,从而提升模型的预测效果。
2、为达到上述目的,本专利技术的技术方案是这样实现的:
3、本专利技术第一方面提出了基于多尺度网络的时间序列预测方法,包
4、构建预测模型,所述预测模型包括序列关联度判别模块以及主体模块;所述序列关联度判别模块用于判断多维时序数据之间的关联度,并识别关键变量,所述主体模块包括多尺度信息提取模块、局部注意力模块、特征融合模块和预测评估模块;所述多尺度信息提取模块用于提取原始数据的不同尺度信息,所述局部注意力模块用于提取变量间的关联关系,所述特征融合模块用于在每次训练中对以上两个部分提取的特征进行加权融合,所述预测评估模块,使用全连接层作为模型的解码器,输出预测序列,并对每次训练的结果进行评估;
5、对预测模型进行训练,得到最终的预测模型,并利用该预测模块进行多尺度网络的时间序列预测。
6、进一步的,所述多尺度信息提取模块采用递归下采样-卷积-交互结构,提取多尺度的信息。
7、进一步的,所述多尺度信息提取模块采用一个层叠的卷积网络作为编码器,并用膨胀卷积代替特征提取过程中的常规卷积操作。
8、进一步的,所述多尺度信息提取模块包括基本块msi-block,对输入数据进行下采样,将序列分为奇数和偶数两个子序列,然后分别输入到不同的卷积滤波器进行特征提取,每个msi-block中加入了两个序列间的交互学习方法。
9、进一步的,所述局部注意力模块对不同的数据,先将多维序列分为若干数据段,对每个段进行整体卷积,最后执行注意力运算。
10、进一步的,所述局部注意力模块引入全连接层作为解码器。
11、进一步的,所述局部注意力模块在计算query(q)、key(k)过程中,采用大于1的卷积核,执行卷积操作,从而使注意力关注局部上下文,使得更相关的局部特征能够匹配上。
12、本专利技术第二方面提出了基于多尺度网络的时间序列预测装置,包括:
13、模型构建模块,用于构建预测模型,所述预测模型包括序列关联度判别模块以及主体模块;所述序列关联度判别模块用于判断多维时序数据之间的关联度,并识别关键变量,所述主体模块包括多尺度信息提取模块、局部注意力模块、特征融合模块和预测评估模块;所述多尺度信息提取模块用于提取原始数据的不同尺度信息,所述局部注意力模块用于提取变量间的关联关系,所述交互模块用于在每次训练中对以上两个部分提取的特征进行加权融合,所述预测评估模块,使用全连接层作为模型的解码器,输出预测序列,并对每次训练的结果进行评估;
14、预测模块,用于对预测模型进行训练,得到最终的预测模型,并利用该预测模块进行多尺度网络的时间序列预测。
15、本专利技术第三方面提出了一种电子设备,包括处理器以及与处理器通信连接,且用于存储所述处理器可执行指令的存储器,所述处理器用于执行上述基于多尺度网络的时间序列预测方法。
16、本专利技术第四方面提出了一种计算机可读取存储介质,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基于多尺度网络的时间序列预测方法。
17、相对于现有技术,本专利技术所述的基于多尺度网络的时间序列预测方法具有以下优势:
18、本专利技术提出了全新的msla模型,模型中的多尺度信息提取模块msi能提取数据的多尺度信息;局部注意力模块la能提取变量间的关联关系,增强了模型对局部上下文整体信息的提取能力;数据关联分析模块可以识别关键维度变量,减少模型输入数据量,从而使模型运行更快;通过实验验证本专利技术提出的模型相比于其他模型能提供更精确的预测结果,在多场景实验中,模型均取得了良好的实验结果,展现出良好的泛化能力,在民航领域有很大应用前景。
本文档来自技高网...【技术保护点】
1.基于多尺度网络的时间序列预测方法,其特征在于:包括:
2.根据权利要求1所述的基于多尺度网络的时间序列预测方法,其特征在于:所述多尺度信息提取模块采用递归下采样-卷积-交互结构,提取多尺度的信息。
3.根据权利要求1所述的基于多尺度网络的时间序列预测方法,其特征在于:所述多尺度信息提取模块采用一个层叠的卷积网络作为编码器,并用膨胀卷积代替特征提取过程中的常规卷积操作。
4.根据权利要求1所述的基于多尺度网络的时间序列预测方法,其特征在于:所述多尺度信息提取模块包括基本块MSI-Block,对输入数据进行下采样,将序列分为奇数和偶数两个子序列,分别输入到不同的卷积滤波器进行特征提取,每个MSI-Block中加入了两个序列间的交互学习方法。
5.根据权利要求1所述的基于多尺度网络的时间序列预测方法,其特征在于:所述局部注意力模块对不同的数据先将多维序列分为若干数据段,对每个段进行整体卷积,最后执行注意力运算。
6.根据权利要求1所述的基于多尺度网络的时间序列预测方法,其特征在于:所述局部注意力模块引入全连接层作为解码器。
7.根据权利要求1所述的基于多尺度网络的时间序列预测方法,其特征在于:所述局部注意力模块在计算Query(Q)、Key(K)过程中,采用大于1的卷积核,执行卷积操作,从而使注意力关注局部上下文,使得更相关的局部特征能够匹配上。
8.基于多尺度网络的时间序列预测装置,其特征在于:包括:
9.一种电子设备,包括处理器以及与处理器通信连接,且用于存储所述处理器可执行指令的存储器,其特征在于:所述处理器用于执行上述权利要求1-7任一所述的基于多尺度网络的时间序列预测方法。
10.一种计算机可读取存储介质,存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1-7任一项所述的基于多尺度网络的时间序列预测方法。
...【技术特征摘要】
1.基于多尺度网络的时间序列预测方法,其特征在于:包括:
2.根据权利要求1所述的基于多尺度网络的时间序列预测方法,其特征在于:所述多尺度信息提取模块采用递归下采样-卷积-交互结构,提取多尺度的信息。
3.根据权利要求1所述的基于多尺度网络的时间序列预测方法,其特征在于:所述多尺度信息提取模块采用一个层叠的卷积网络作为编码器,并用膨胀卷积代替特征提取过程中的常规卷积操作。
4.根据权利要求1所述的基于多尺度网络的时间序列预测方法,其特征在于:所述多尺度信息提取模块包括基本块msi-block,对输入数据进行下采样,将序列分为奇数和偶数两个子序列,分别输入到不同的卷积滤波器进行特征提取,每个msi-block中加入了两个序列间的交互学习方法。
5.根据权利要求1所述的基于多尺度网络的时间序列预测方法,其特征在于:所述局部注意力模块对不同的数据先将多维序列分为若干数据段,对每个段...
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。