一种基于不规则时间序列数据的预测方法技术

本发明专利技术属于数据预测技术领域，公开了一种基于不规则时间序列数据的预测方法。通过基于注意力机制的不规则时序预测模型实现；基于注意力机制的不规则时序预测模型包括基于多通道时间衰减的缺失数据补全模型和基于多重门控的注意机制预测模型；基于多通道时间衰减的缺失数据补全模型将不规则不定长时间序列数据转换为规则的时间序列数据，考虑多个模态之间的互补信息，提高补全准确性，利用时序信息，更有效地处理动态变化的数据缺失问题；基于多重门控的注意机制预测模型根据规则的时间序列数据得到预测结果。本模型准确度高，综合考虑多通道关系、时间间隔关系和注意力机制，能够更精确地预测认知评分。

【技术实现步骤摘要】

本专利技术涉及数据预测，尤其涉及一种基于不规则时间序列数据的预测方法。

技术介绍

1、目前，不规则的时序预测主要应用于金融市场分析、医疗健康预测、能源需求预测、社交媒体活动监控以及自然事件(如地震或风暴)的预测。这种预测面临多个难点，包括数据缺失和时间长度不一致，这会导致传统时间序列模型难以适用。此外，不规则的时间间隔可能引入额外的噪声和不确定性，也可能需要更复杂的模型来捕捉数据的内在结构。

2、对于不规则时序预测，最典型的应用场景为疾病预测，目前大多数诊断与预测方法基于横断面进行研究，以某个时间点的患者各种医疗数据为支撑，预测患者在该时间点的疾病状态和严重程度，但是不能正确地模拟疾病的进展情况，不能充分利用疾病的时间特性建模。

3、近年来，计算机硬件设备的迅猛发展和软件算法理论的巨大突破促进了深度学习、人工智能等技术在医疗风险预测等方面发挥出了巨大的价值和作用。通过了解时间序列数据集的特点，采用深度学习方法建立准确的预测模型，可以有效地发现有患病倾向的患者，及时进行医疗干预，避免疾病恶化，能够有效的减少后续治疗费用，具有十分重要的本文档来自技高网...

【技术保护点】

1.一种基于不规则时间序列数据的预测方法，其特征在于，通过基于注意力机制的不规则时序预测模型实现；所述基于注意力机制的不规则时序预测模型包括基于多通道时间衰减的缺失数据补全模型和基于多重门控的注意机制预测模型；

2.根据权利要求1所述的基于不规则时间序列数据的预测方法，其特征在于，所述基于多通道时间衰减的缺失数据补全模型包括多通道时间衰减模型、静态常量编码器和LSTM编码器；

3.根据权利要求2所述的基于不规则时间序列数据的预测方法，其特征在于，所述多通道时间衰减模型包括多通道信息融合模块、时序通道融合模块和时间衰减模块；以自迭代方式将时序变量中不同时间长度的缺失...

【技术特征摘要】

1.一种基于不规则时间序列数据的预测方法，其特征在于，通过基于注意力机制的不规则时序预测模型实现；所述基于注意力机制的不规则时序预测模型包括基于多通道时间衰减的缺失数据补全模型和基于多重门控的注意机制预测模型；

2.根据权利要求1所述的基于不规则时间序列数据的预测方法，其特征在于，所述基于多通道时间衰减的缺失数据补全模型包括多通道时间衰减模型、静态常量编码器和lstm编码器；

3.根据权利要求2所述的基于不规则时间序列数据的预测方法，其特征在于，所述多通道时间衰减模型包括多通道信息融合模块、时序通道融合模块和时间衰减模块；以自迭代方式将时序变量中不同时间长度的缺失数据补全为统一固定长度，将缺失数据之前时间的观测值向量编码至隐藏状态；

4.根据权利要求2所述的基于不规则时间序列数据的预测方法，其特征在于，所述静态常量编码器包括两个全连接层和一个门控网络层；将静态常...

【专利技术属性】
技术研发人员：贾同，王雪莉，原婧，贾娜娜，朱哲仪，赵紫旭，陈东岳，王昊，邓诗卓，
申请(专利权)人：东北大学，
类型：发明
国别省市：