一种基于线性模型的多尺度补丁长期时序预测方法技术

本发明专利技术公开了一种基于线性模型的多尺度补丁长期时序预测方法。该方法首先提出多尺度补丁(Multiscale Patch)模块，利用快速傅里叶变换(FFT)检测时间序列中潜在的top‑k个周期模式，并以不同的周期模式作为补丁(Patch)长度，对原始序列进行补丁操作；然后设计补丁编码(Patch Encoding)模块，该模块包括补丁内线性层和补丁间线性层，使用线性模型来提取时序数据的局部深层依赖关系以及全局季节性和趋势变化；最后提出集成预测(Ensemble Prediction)模块，基于线性层对每个补丁编码序列进行预测，并通过线性加权整合多尺度补丁预测的结果，以获得更稳定的预测结果。该方法有效扩展了线性模型高效的优势，在七个现实世界数据集上的准确性和效率方面均实现了最先进的性能。

【技术实现步骤摘要】

本专利技术涉及时间序列数据的预测领域，具体而言，是一种基于线性模型的多尺度补丁长期时序预测方法。长期时间序列预测在各种应用中具有广泛的应用，包括金融、气象、股票市场、工业生产等领域。本专利技术旨在提供一种新的方法，以充分挖掘时间序列数据中丰富多样的周期特性，并基于线性模型，实现更高效更鲁棒的预测。

技术介绍

1、时间序列预测是一种重要的数据分析技术，在交通规划、天气预测和疾病传播预测中变得越来越重要。作为一个重要的分支，长期时间序列预测(ltsf)通常涉及更广泛的预测范围，因此在预测过程中面临更多的挑战，例如数据不稳定、长期趋势变化、季节性和周期性波动等等。近年来，由于transformer在自然语言处理(nlp)和计算机视觉(cv)中的巨大成功，越来越多的时间序列预测方法采用transformer作为骨干，捕获不同时间点之间的依赖关系，增强时间序列的嵌入表示能力，例如informer、patchtst、autoformer、pyraformer，fedformer等。

2、然而，最近研究表明虽然在transformer中采用位置编码和使用to本文档来自技高网...

【技术保护点】

1.一种基于线性模型的多尺度补丁长期时序预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于线性模型的多尺度补丁长期时序预测方法，其特征在于，所述步骤S1中的多尺度补丁分为快速傅里叶变换获取补丁长度和补丁操作两个部分；

3.根据权利要求1所述的一种基于线性模型的多尺度补丁长期时序预测方法，其特征在于，所述步骤S2中的补丁编码包括补丁内线性层和补丁间线性层；

4.根据权利要求1所述的一种基于线性模型的多尺度补丁长期时序预测方法，其特征在于，所述步骤S3具体为：对每一个嵌入的时间序列进入一个多层感知机MLP并从而预测出未来时间序列；然后将...

【技术特征摘要】

1.一种基于线性模型的多尺度补丁长期时序预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于线性模型的多尺度补丁长期时序预测方法，其特征在于，所述步骤s1中的多尺度补丁分为快速傅里叶变换获取补丁长度和补丁操作两个部分；

3.根据权利要求1所述的一种基于线性模型的多尺度补丁长期时序预测方法，其特征在于，所述步骤s2中的补丁编码包括补丁内线性层和补丁间线性层；

4.根据权利要...

【专利技术属性】
技术研发人员：曹斌，姜钦凯，侯晨煜，范菁，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：