【技术实现步骤摘要】
本专利技术涉及一种基于时空嵌入独立的多变量时间序列预测方法，属于多变量时间序列预测。
技术介绍
1、时间序列是按照时间顺序排列的一系列数据点的集合，它的一个代表性特征是采样频率，代表观测数据点之间的连续时间间隔，常见的时间序列数据包括股票价格、气温、销售额和电力负荷等。这些数据点之间存在时间上的依赖关系，即下一个时刻的数据点的取值取决于该时刻之前数个数据点的值。时间序列预测是时间序列分析中最主要也是最重要的方法。而时间序列预测通常涉及到多个相互关联的时间序列变量，因此区分于单变量时序预测，多变量时间序列预测同时考虑多个观测指标随时间的变化。
2、时间序列预测可以采用统计方法、传统的机器学习方法以及神经网络方法。传统方法和传统的机器学习方法在可解释性上相比于神经网络方法更有优势，但是因为其计算效率不高以及模型规模难以扩大等问题逐渐被神经网络方法而替代。
3、基于神经网络的多变量时间序列预测方法称为该方向研究的主流。目前，多变量时间序列预测方法的多数方法主要建构在两种架构的神经网络上，分别是多层感知机和基于注意力机制...
【技术保护点】
1.一种基于时空嵌入独立的多变量时间序列预测方法，其特征在于，获取多变量时间序列数据作为样本数据，构建基于时空嵌入独立的多变量时间序列预测模型，使用多变量时间序列数据训练预测模型，更新模型权重，将多变量时间序列的电力负荷数据输入至预测模型，输出预测结果序列。
2.根据权利要求1所述的一种基于时空嵌入独立的多变量时间序列预测方法，其特征在于，多变量时间序列的数据为存在时间上的依赖关系的数据，存在时间上的依赖关系的数据包括电力负荷数据或气温数据或销售额数据。
3.根据权利要求1所述的一种基于时空嵌入独立的多变量时间序列预测方法，其特征在于，对多变量...
【技术特征摘要】
1.一种基于时空嵌入独立的多变量时间序列预测方法，其特征在于，获取多变量时间序列数据作为样本数据，构建基于时空嵌入独立的多变量时间序列预测模型，使用多变量时间序列数据训练预测模型，更新模型权重，将多变量时间序列的电力负荷数据输入至预测模型，输出预测结果序列。
2.根据权利要求1所述的一种基于时空嵌入独立的多变量时间序列预测方法，其特征在于，多变量时间序列的数据为存在时间上的依赖关系的数据，存在时间上的依赖关系的数据包括电力负荷数据或气温数据或销售额数据。
3.根据权利要求1所述的一种基于时空嵌入独立的多变量时间序列预测方法，其特征在于，对多变量时间序列数据进行异常值检测和去除、使用插值法补充缺失值以及归一化处理。
4.根据权利要求1所述的一种基于时空嵌入独立的多变量时间序列预测方法，其特征在于，基于时空嵌入独立的多变量时间序列预测模型的结构包括嵌入模块、第一线性层、时空独立编码器层和第二线性层；其中，时空独立编码器层至少为二层。
5.根据权利要求1所述的一种基于时空嵌入独立的多变量时间序列预测方法，其特征在于，基于时空嵌入独立的多变量时间序列预测模型的传输流程为：<...
【专利技术属性】
技术研发人员：马超，侯义凯，张罗刚，关志博，黄海，孙迎港，李响，于海宁，吴英东，
申请(专利权)人：哈尔滨理工大学，
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。