一种基于图聚合模型的多元时序预测方法、系统、设备及介质技术方案

一种基于图聚合模型的多元时序预测方法、系统、设备及介质，方法：将设定的时序数据样本输入编码层模块，捕获含有时间维度全局信息的时序数据样本；接着进行预处理，调整为序列变量信息；构建反映序列变量关系的图邻接矩阵；将序列变量信息作为图聚合模型GAM的初始输入特征矩阵，采用图邻接矩阵对初始输入特征矩阵中每个特征表示进行图卷积更新迭代，获取多级图结构，作为变量之间相关性的深度信息；利用图聚合模型GAM中的多头自注意力层，将各级图结构对输出序列的预测影响进行动态权重分配与聚合，获取对输出序列的精确预测；系统、设备及介质用于实现该方法；本发明专利技术具有增强模型预测准确性和有效提高对长期依赖关系的深层建模能力的优点。

【技术实现步骤摘要】

本专利技术属于计算机数据量化，具体涉及一种基于图聚合模型的多元时序预测方法、系统、设备及介质。

技术介绍

1、在快速发展的物联网生态系统中，多元时间序列数据已经无处不在，这凸显了时间序列预测在众多应用中的基础作用。长期mts预测的关键挑战需要能够捕捉序列内和序列间依赖关系的模型。最近深度学习的进展，尤其是transformer机制以及图神经网络的引入，使得该领域取得显著进展。

2、然而，目前长期mts预测的准确性仍然面临以下主要难题：1、时序序列变量之间显式相关性难以表达；2、现今基于图卷积网络的预测方法中，用来表示这些序列变量间依赖关系的多级图结构对输出的影响存在动态变化，即多级图卷积的结构对于输出的作用影响存在级间差异性。

3、为了解决这些问题，最开始的研究长期mts预测方法的模型侧重于利用注意力机制分别获取时间维度以及变量维度的信息，但是由于注意力机制存在信息冗余与长尾现象，模型对于各序列间的相关性的感知不足，这可能导致错误的数据预测。最近，研究人员提出利用图卷积网络实现长期mts预测，与传统卷积神经网络方法相比，图卷积网络通本文档来自技高网...

【技术保护点】

1.一种基于图聚合模型的多元时序预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于图聚合模型的多元时序预测方法，其特征在于，步骤3的具体过程如下：

3.根据权利要求1或2所述的一种基于图聚合模型的多元时序预测方法，其特征在于，步骤4的具体过程如下：

4.基于权利要求1至3任一项所述方法的一种基于图聚合模型的多元时序预测系统，其特征在于，包括：

5.一种基于图聚合模型的多元时序预测设备，其特征在于，包括：

6.一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时能够实...

【技术特征摘要】

1.一种基于图聚合模型的多元时序预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于图聚合模型的多元时序预测方法，其特征在于，步骤3的具体过程如下：

3.根据权利要求1或2所述的一种基于图聚合模型的多元时序预测方法，其特征在于，步骤4的具体过程如下：

4.基于权利要求1至3任...

【专利技术属性】
技术研发人员：刘龙，罗清泉，张梦璇，张文博，方榉炫，常雅淇，姬红兵，谢家强，李浩生，刘希龙，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：