【技术实现步骤摘要】
本专利技术涉及时间序列分析，具体为一种基于transformer架构的时序数据预测的方法。
技术介绍
1、时间序列分析在现实世界中的应用广泛，涉及天气预报的气象因素预测、数据挖掘中的缺失数据填补、工业维护中的监控数据异常检测以及行为识别中的轨迹分类等领域。这些应用展示了时间序列分析的巨大实用价值。与其他类型的序列数据如语言或视频不同，时间序列是连续记录的，每个时间点通常只包含一些标量值。许多研究工作因此专注于分析时间变化，这些变化能够更好地反映时间序列的固有特性，如连续性、周期性和趋势。
2、在深度学习领域，为捕捉时间序列中的复杂时间变化，已经提出了多种方法。其中一类方法是使用循环神经rnn网络结构及其改进的方法，这种方法基于马尔可夫假设来模拟连续时间点。另一类方法是利用沿时间维度的卷积神经cnn网络结构及其改进的方法，专注于提取时间变化信息。最近，带有注意力机制的transformers模型在序列建模中得到了广泛应用。在时间序列分析中，许多基于transformer的模型采用了注意力机制或其变体来捕捉时间点之间的成对时间依
【技术保护点】
1.一种基于Transformer架构的时序数据预测的方法，包括以下步骤：步骤一，数据输入；步骤二，编码模块流程；步骤三，时间折叠模块流程；步骤四，Transformer模块流程；步骤五，输出模块流程；其特征在于：
2.根据权利要求1所述的一种基于Transformer架构的时序数据预测的方法，其特征在于：所述步骤一中，数据可能包括时间标记的观测值、传感器读数或其他相关信息。
3.根据权利要求1所述的一种基于Transformer架构的时序数据预测的方法，其特征在于：所述步骤一中，模型中拥有编码模块、时间折叠模块、Transformer模块以及
<...【技术特征摘要】
1.一种基于transformer架构的时序数据预测的方法，包括以下步骤：步骤一，数据输入；步骤二，编码模块流程；步骤三，时间折叠模块流程；步骤四，transformer模块流程；步骤五，输出模块流程；其特征在于：
2.根据权利要求1所述的一种基于transformer架构的时序数据预测的方法，其特征在于：所述步骤一中，数据可能包括时间标记的观测值、传感器读数或其他相关信息。
3.根据权利要求1所述的一种基于transformer架构的时序数据预测的方法，其特征在于：所述步骤一中，模型中拥有编码模块、时间折叠模块、transformer模块以及输出模块。
4.根据权利要求1所述的一种基于transformer架构的时序数据预测的方法，其特征在于：所述步骤二中，编码模块的作用是，对原始的时序数据，以及可以接收额外补充的时序数据，进行有机结合，利用两个编码网络，将输入的数据映射到同个空间内，并进行融合和信息再编码。
【专利技术属性】
技术研发人员：杨术，黄柏富，曹凡璞，吴振洲，常晓磊，
申请(专利权)人：深圳织算科技有限公司，
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。