用于分析时间序列数据的方法及装置、电子设备制造方法及图纸

本申请涉及时间序列分析技术领域，公开了一种用于分析时间序列数据的方法及装置、电子设备。方法包括：采用可学习掩码矩阵，调整初始时间序列数据每个通道中各点的贡献值，获得第一时间序列数据；其中，初始时间序列数据为局部实例归一化处理后的多变量时间序列数据；采用最大池化层提取第一时间序列数据中不同时间尺度的关键特征，并将关键特征与第一时间序列数据进行拼接，获得第二时间序列数据；投影处理第二时间序列数据获得投影结果，并采用跨尺度注意力计算机制处理投影结果，获得针对初始时间序列数据的初始预测输出；对初始预测输出进行局部实例逆归一化处理，获得目标预测输出。本申请可以提高分析多变量时间序列数据的准确性。

【技术实现步骤摘要】

本申请涉及时间序列分析，例如涉及一种用于分析时间序列数据的方法及装置、电子设备。

技术介绍

1、通过对时间序列数据进行分析，可以预测未来一段时间内的情况。例如，金融市场预测、气象趋势预测和能源消耗预测等。目前，通常通过transformer模型对时间序列数据进行分析，但transformer模型具有一定的局限性，得出的预测输出准确性较低。

2、相关技术中，为了提高分析时间序列数据得出的预测输出的准确性，将独立通道(independent channel，ic)方法应用在了transformer模型中，这种方法可以对时间序列数据中的各个通道(如温度、湿度和风速等)进行独立处理，可以通过转置数据，将输入的时间序列数据的维度进行反转，从而使得transformer模型的注意力机制从关注原始变量的维度转向关注序列的维度，这有助于transformer模型有效地学习时间序列数据的局部特征，提高预测输出的准确性。

3、然而，相关技术的方案分析多变量时间序列数据时，可能会忽略不同时间尺度上的关键特征，从而影响transformer模型的预测性能。本文档来自技高网...

【技术保护点】

1.一种用于分析时间序列数据的方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，采用可学习掩码矩阵，调整初始时间序列数据每个通道中各点的贡献值，获得第一时间序列数据，包括：

3.根据权利要求1所述的方法，其特征在于，采用最大池化层提取第一时间序列数据中不同时间尺度的关键特征，包括：

4.根据权利要求3所述的方法，其特征在于，按照如下公式，通过最大池化层生成每个叉树分区的全部分支相对极值的集合：

5.根据权利要求1至4中任一项所述的方法，其特征在于，按照如下公式，将关键特征与第一时间序列数据进行拼接，获得第二时间序列数据：<...

【技术特征摘要】

1.一种用于分析时间序列数据的方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，采用可学习掩码矩阵，调整初始时间序列数据每个通道中各点的贡献值，获得第一时间序列数据，包括：

3.根据权利要求1所述的方法，其特征在于，采用最大池化层提取第一时间序列数据中不同时间尺度的关键特征，包括：

4.根据权利要求3所述的方法，其特征在于，按照如下公式，通过最大池化层生成每个叉树分区的全部分支相对极值的集合：

5.根据权利要求1至4中任一项所述的方法，其特征在于，按照如下公式，将关键特征与第一时间序列数据进行拼接，获得第二时间序列数据：

6.根据权利要求1至4中任一项所述的方法，其特征...

【专利技术属性】
技术研发人员：郝欢，王珏，万萌，王晓光，魏雪艳，张光磊，王树龙，仇宗华，张宗山，吴荷莲，
申请(专利权)人：滨州魏桥国科高等技术研究院，
类型：发明
国别省市：