高维多变量时间序列数据预测方法、装置和存储介质制造方法及图纸

本发明专利技术提供了一种高维多变量时间序列数据预测方法、装置和存储介质，涉及深度学习技术领域，包括：非线性处理过程和线性处理过程，在非线性处理过程中，利用编码器将输入数据映射为低秩子空间中的潜在变量，通过时间模型对潜在变量的时间演化进行建模，实现向前预测，并通过解码器将预测结果从低维嵌入中尽可能恢复原始输入状态；在线性处理过程中，引入了离散时间非线性动力系统及其基本元素即Koopman算子，通过坐标变换来实现非线性系统的全局线性化，实现Koopman正则化的线性动态预测。本发明专利技术通过自编码器和深度学习时间模型的有效结合，以及引入Koopman正则化项，有效地平衡了非线性和线性动态，增强了非线性时间模型对于高维多变量时间序列数据的预测能力。

【技术实现步骤摘要】

本专利技术涉及深度学习，具体而言，涉及一种高维多变量时间序列数据预测方法、装置和存储介质。

技术介绍

1、传统的时间序列预测方法主要依赖于统计模型，例如自回归（auto regressive，ar）模型和移动平均（moving average，ma）模型，以及它们的众多变体模型。这些方法为时间序列预测奠定了理论和技术基础。随着机器学习，尤其是深度学习的快速发展，时间序列预测方法取得了显著进展。这些进步开创了一个新时代，其中支持向量回归（supportvector regression，svr）、高斯过程（gaussian processes，gp）、卷积神经网络（convolutional neural network，cnn）、循环神经网络（recurrent neural network，rnn）、图神经网络（graph neural network，gnn）和transformer等成为了时间序列预测工作中的主要支柱。在控制学领域中，azencot 等人引入了一种consistent koopman ae模型，该模型融入了时间序列数据的物理结构，并利本文档来自技高网...

【技术保护点】

1.一种高维多变量时间序列数据预测方法，其特征在于，包括：

2.根据权利要求1所述的高维多变量时间序列数据预测方法，其特征在于，还包括：

3.根据权利要求1所述的高维多变量时间序列数据预测方法，其特征在于，还包括：

4.根据权利要求1所述的高维多变量时间序列数据预测方法，其特征在于，还包括：

5.根据权利要求1至4中任一项所述的高维多变量时间序列数据预测方法，其特征在于，所述深度学习时间模型为门控循环单元。

6.一种高维多变量时间序列数据预测装置，其特征在于，包括：

7.一种计算机可读存储介质，其特征在于，所述计算机...

【技术特征摘要】

1.一种高维多变量时间序列数据预测方法，其特征在于，包括：

2.根据权利要求1所述的高维多变量时间序列数据预测方法，其特征在于，还包括：

3.根据权利要求1所述的高维多变量时间序列数据预测方法，其特征在于，还包括：

4.根据权利要求1所述的高维多变量时间序列数据预测方法，其特征在于，还包括：

5.根据权...

【专利技术属性】
技术研发人员：宿勇，聂思宇，安思敏，
申请(专利权)人：天津师范大学，
类型：发明
国别省市：