【技术实现步骤摘要】
本专利技术涉及人工智能领域，具体是一种基于动态图结构修正的多元时间序列预测方法。
技术介绍
1、在实际世界中，数据通常按时间顺序收集，形成时间序列。当多个指标或变量的时间序列结合在一起时，就形成了多元时序数据。多元时间序列预测旨在探索多元时序数据中的潜在模式、趋势与规律，以实现有效的预测和深入的分析，为未来规划和决策提供宝贵的指导与建议。在多元时序数据中，"元"指的是各个变量。与单变量时间序列预测不同，多变量时间序列由同一系统中的多个序列组成，本质上具有相关性。因此，如何捕捉多元时序数据中复杂的时序模式，以及各个变量间复杂的依赖关系，已经成为多元时间序列预测研究的核心问题。
2、近年来，图神经网络的兴起与发展为多元时间序列预测开辟了新的途径。不同于基于卷积神经网络、循环神经网络的多元时间序列预测方法，利用图神经网络能够显式建模各变量间的成对相关关系。考虑到实际场景中变量间的关系是动态变化的，目前的多元时间序列预测方法在每个时间步利用变化的时间特征建模当前时刻的图结构，并将它们按顺序放入图神经网络中以处理多元时间序列中复杂的结...
【技术保护点】
1.一种基于动态图结构修正的多元时间序列预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于动态图结构修正的多元时间序列预测方法，其特征在于，所述多元时间序列预测模型的输入为多元时序数据其中表示N个变量在时间步t的观测值，T表示时间序列的总步长。
3.根据权利要求1所述的一种基于动态图结构修正的多元时间序列预测方法，其特征在于，所述时间卷积模块包括至少两个扩张阈值层，每个扩张阈值层包括多个大小不同的并行一维卷积滤波器组。
4.根据权利要求1所述的一种基于动态图结构修正的多元时间序列预测方法，其特征在于，利用多元时间...
【技术特征摘要】
1.一种基于动态图结构修正的多元时间序列预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于动态图结构修正的多元时间序列预测方法，其特征在于，所述多元时间序列预测模型的输入为多元时序数据其中表示n个变量在时间步t的观测值，t表示时间序列的总步长。
3.根据权利要求1所述的一种基于动态图结构修正的多元时间序列预测方法，其特征在于，所述时间卷积模块包括至少两个扩张阈值层，每个扩张阈值层包括多个大小不同的并行一维卷积滤波器组。
4.根据权利要求1所述的一种基于动态图结构修正的多元时间序列预测方法，其特征在于，利用多元时间序列预测模型对多元时序数据进行预测的步骤包括：
5.根据权利要求4所述的一种基于动态图结构修正的多元时间序列预测方法，其特征在于，利用历史相关时间步搜索模块计算任意两个时间特征片段的相关性的...
【专利技术属性】
技术研发人员：王悦阳，何丹丹，楼朝立，谭港，范琪琳，熊庆宇，
申请(专利权)人：重庆大学，
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。