【技术实现步骤摘要】
本专利技术涉及物联网，尤其是涉及一种用于多层级场景预测时间序列的方法。
技术介绍
1、随着物联网技术的快速发展和传感器的广泛部署，进入了一个数据爆炸的时代。这些传感器不断收集的数据，大部分以时间序列的形式存在，记录了各种设备和传感器在不同时间点的状态和活动。时间序列，或者说带时间戳并按时间顺序排列的数据集合，因其在记录历史状态或活动情况并能进行未来趋势的判断方面的前所未有的价值而变得极其重要。无论是智慧能源、智慧交通、智能制造还是算力网络，时序数据都在这些前沿应用中起到了至关重要的作用。
2、长时序预测是时序预测的一大挑战，与短期预测不同，它要求模型能准确理解近期趋势和模式的同时，还要能预测长期内的变化。这种预测的难度在于需要捕获长时间范围内的多种周期模式和时序依赖，同时还要考虑到长时间内可能出现的突发事件和未知因素。
3、此外，多层架构在互联网加持下在现实应用中广泛存在，如电力、网络和交通系统等，这一多层架构给时序预测带来了独特的挑战和机遇。这种架构确保了从各个层级的单个设备和系统中收集的数据，本专利技术称之为...
【技术保护点】
1.一种用于多层级场景预测时间序列的方法，其特征在于，包括：
2.根据权利要求1所述的一种用于多层级场景预测时间序列的方法，其特征在于，所述历史时间序列输入进编码器将首先被第一频率分解模块分解为高频和低频两个分量，继续将高频分量使用第一频率自适应注意力模块进行时序模式的发现与学习，并将第一频率自适应模块输出的中间潜在时序分量通过第二频率分解模块进一步分解，得到高频分量。
3.根据权利要求1所述的一种用于多层级场景预测时间序列的方法，其特征在于，输入进解码器的数据将首先被第二频率自适应注意力模块进行时序模式的发现与学习，并将第二频率自适应模块输出...
【技术特征摘要】
1.一种用于多层级场景预测时间序列的方法，其特征在于，包括：
2.根据权利要求1所述的一种用于多层级场景预测时间序列的方法，其特征在于，所述历史时间序列输入进编码器将首先被第一频率分解模块分解为高频和低频两个分量，继续将高频分量使用第一频率自适应注意力模块进行时序模式的发现与学习，并将第一频率自适应模块输出的中间潜在时序分量通过第二频率分解模块进一步分解，得到高频分量。
3.根据权利要求1所述的一种用于多层级场景预测时间序列的方法，其特征在于，输入进解码器的数据将首先被第二频率自适应注意力模块进行时序模式的发现与学习，并将第二频率自适应模块输出的中间潜在时序分量通过第三频率分解模块进一步分解，第三频率分解模块提取低频分量和高频分量，其中第三频率分解模块提取出的的低频分量按照权重与输入的趋势部分组成的数据进行叠加；同时，被消除低频分量影响的高频分量被送进对齐频率注意力模块与从编码器中得到的高频分量进行进行周期模式的发现与学习，最后经过第四频率分解模块再次分解，得到重构的时间序列。
4.根据权利要求1所述的一种用于多层级场景预测时间序列的方法，其特征在于，所述第一数据嵌入模块、第二数据嵌入模块的处理数据的方式相同；第一频率分解模块、第二频率分解模块、第三频率分解模块和...
【专利技术属性】
技术研发人员：王晓飞，张天程，王鸿斌，张程，仇超，
申请(专利权)人：天津大学，
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。