基于Transformer的长时间多变量时间序列预测方法技术

本发明专利技术公开了一种基于Transformer的长时间多变量时间序列预测方法，针对多变量长期时间序列预测任务，提出了一种有效的基于变压器的模型CMPPformer，其中有两个关键部分：通道混合依赖和周期性切割模块。首先，本发明专利技术利用时间序列聚类对多元时间序列进行分组，以实现通道混合依赖，从而减少过拟合和虚假回归。其次，使用FFT找出多维周期，根据计算出的周期长度，对时间序列进行修补，从而捕捉局部语义信息。此外，通过应用周期性切割模块和通道混合依赖性，可以降低时间和空间复杂性。

【技术实现步骤摘要】

本专利技术属于时间序列预测领域，具体涉及一种基于transformer的长时间多变量时间序列预测方法。

技术介绍

1、随着科学技术的发展，现代社会已经进入万物互联、全面感知的大数据时代，如何合理利用这些海量数据为社会生产创造价值，已成为学术界和工业界共同关注的研究问题之一。以交通系统为例，路面交通系统包含多种传感器，基于传感器记录的历史交通流量数据，对未来交通流量数据预测可以辅助调整交通状况，避免拥堵。路面系统传感器记录的车流量信息，在时间维度上存在着依赖关系，被称作时间序列(time series)。时间序列是按照相同的时间间隔，对某种事物的演变过程进行观测，从而得到一组顺序排列的数据集合。时间序列预测是指利用获得的数据按时间顺序排成序列，分析其变化方向和程度，从而对未来若干时期可能达到的水平进行推测。

2、时间序列预测(time series forecasting)的基本思想，就是通过挖掘和分析历史数据，发现时间序列的演变规律或者某种趋势，从而对未来的数据进行预测，通常分为单变量时间序列预测和多变量时间序列预测。时间序列预测对于辅助决策、本文档来自技高网...

【技术保护点】

1.一种基于Transformer的长时间多变量时间序列预测方法，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Transformer的长时间多变量时间序列预测方法，其特征在于：所述步骤S3中，选择DTW算法，计算M多变量序列之间的相似度。

3.根据权利要求2所述的一种基于Transformer的长时间多变量时间序列预测方法，其特征在于：所述DTW算法计算M多变量序列间相似度的步骤如下：

4.根据权利要求3所述的数据分析方法，其特征在于：所述步骤S3中，选择K-means算法对时间序列进行聚类。

5.根据权利要求4所述的一种基...

【技术特征摘要】

1.一种基于transformer的长时间多变量时间序列预测方法，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transformer的长时间多变量时间序列预测方法，其特征在于：所述步骤s3中，选择dtw算法，计算m多变量序列之间的相似度。

3.根据权利要求2所述的一种基于transformer的长时间多变量时间序列预测方法，其特征在于：所述dtw算法计算m多变量序列间相似度的步骤如下：

4.根据权利要求3所述的数据分析方法，其特征在于：所述步骤s3中，选择k-means算法对时间序...

【专利技术属性】
技术研发人员：郑林江，王艺洁，唐毅，李俊异，陈力云，代振，杨洁，
申请(专利权)人：重庆大学，
类型：发明
国别省市：