一种针对流程工业中不规则时序数据的预测方法技术

本发明专利技术提供一种针对流程工业中不规则时序数据的预测方法，属于工业时序数据预测技术领域，包括以下步骤：数据采集与预处理；构建不规则时序数据的图表示；构建与训练时空关系图卷积神经网络模型；在线预测，并实际应用，时空关系图卷积神经网络模型包括：全连接图转换模块、时空关系图卷积层和分层“三明治”结构，本发明专利技术在流程工业环境下针对不规则采样的多变量时序数据构建了无须预对齐的全连接图表示，并基于时空关系图卷积模块实现了对异步且复杂的时空依赖结构的高精度预测，分层“三明治”策略进一步在大规模图数据上保证了计算效率与模型性能，适用于工业现场含大量异步传感器测点的实时预测和故障预警等需求。

【技术实现步骤摘要】

本专利技术属于工业时序数据预测，具体涉及一种针对流程工业中不规则时序数据的预测方法。

技术介绍

1、针对流程工业中不规则时序数据的预测方法，需要结合时序数据的动态特性和工业场景的特殊需求(如高噪声、多变量耦合、物理约束等)，其数据具有如下特点：(1)不规则性：数据采样间隔不固定(如事件触发采集、传感器故障、人工记录等)；(2)多变量耦合：流程工业变量间存在强物理/化学关联(如温度、压力、流量等)；(3)噪声与缺失：传感器噪声、数据丢失、异常值常见；(4)长短期依赖：需同时捕捉短期波动(如设备状态)和长期趋势(如工艺退化)。

2、时间序列预测技术在流程工业(如化工、炼油行业)具有广泛的应用潜力。依据历史数据预测未来序列不仅可实现工艺的提前监测预警，也广泛应用于软传感器和数字孪生系统中。

3、不规则时间序列数据是指采样间隔不固定且变量之间采样点存在异步特性的时间序列，如图1所示，图1(a)为规则时间序列具有固定的采样间隔且不同变量v的采样点在时间上对，图1(b)展示了不规则时间序列的特征，这种数据在工业、医疗和金融等领域普遍存在，其中变本文档来自技高网...

【技术保护点】

1.一种针对流程工业中不规则时序数据的预测方法，其特征在于：所述方法包括以下步骤：

2.根据权利要求1所述的一种针对流程工业中不规则时序数据的预测方法，其特征在于：S1中，记第n个传感器的历史观测集为其中tn,i表示该传感器的第i个观测时间戳，zn,i表示对应的观测值；Kn为该传感器在历史期间内总计观测到的数据点数，全部传感器的历史观测可合并记为若数据存在明显的噪声或异常值，不需进行插值或对齐操作，以保留原始数据的异步时序信息，为后续建模提供尽可能多的有效特征。

3.根据权利要求2所述的一种针对流程工业中不规则时序数据的预测方法，其特征在于：S2中，对于第n个传感...

【技术特征摘要】

1.一种针对流程工业中不规则时序数据的预测方法，其特征在于：所述方法包括以下步骤：

2.根据权利要求1所述的一种针对流程工业中不规则时序数据的预测方法，其特征在于：s1中，记第n个传感器的历史观测集为其中tn,i表示该传感器的第i个观测时间戳，zn,i表示对应的观测值；kn为该传感器在历史期间内总计观测到的数据点数，全部传感器的历史观测可合并记为若数据存在明显的噪声或异常值，不需进行插值或对齐操作，以保留原始数据的异步时序信息，为后续建模提供尽可能多的有效特征。

3.根据权利要求2所述的一种针对流程工业中不规则时序数据的预测方法，其特征在于：s2中，对于第n个传感器，除s1中历史观测集外，另定义一组未来时间戳用于预测，该传感器所有时间点的集合可表示为

4.根据权利要求1所述的一种针对流程工业中不规则时序数据的预测方法，其特征在于：s3中，为降低计算量，构建“三明治”式分层聚合结构，通过“超节点”机制降低图的分辨率，再进行局部-全局信息融合，具体包括如下步骤：

5.根据权利要求4所述的一种针对流程工业中不规则时序数据的预测方法，其特征在于：s301中，所述参数...

【专利技术属性】
技术研发人员：王宇龙，王恺，
申请(专利权)人：南开大学，
类型：发明
国别省市：