【技术实现步骤摘要】
本申请涉及时间序列数据预测，特别是涉及一种基于时间卷积与多头注意力机制的时序数据预测方法。
技术介绍
1、时间序列数据通常是在相等间隔的时间段内，依照给定的采样率对某种潜在过程进行观测的结果，因此不同时刻的数据值之间存在紧密联系。时间序列预测通过利用历史时间序列数据，预测未来一段时间内的数据，可为制定相应策略提供数据支持，在经济学、金融学、气象学等领域具有广泛应用。根据变量维度不同可分为单变量时序预测和多变量时序预测。单变量时序预测认为变量值仅与其自身的历史数值存在关联；而多变量时间序列预测认为每个变量不仅受其自身历史值的影响，还与其他变量存在紧密联系。深度学习方法通常依据序列中的变量维度建立通道以捕获不同特征之间的相关性。
2、近年来，深度模型在时序分析任务中得到了广泛应用，其中循环神经网络(rnn)、时序卷积网络(tcn)和变换器网络(transformer)尤为突出。然而，rnn和tcn这两类方法主要关注捕捉临近时刻之间的变化，在长期依赖建模上存在不足。尽管transformer在建模长期依赖方面具有天然优势，但由于现...
【技术保护点】
1.一种基于时间卷积与多头注意力机制的时序数据预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时间卷积与多头注意力机制的时序数据预测方法，其特征在于，在步骤S1中，将时间序列数据集进行预处理的步骤具体为：时间序列数据集包括多个时间序列数据；
3.根据权利要求1所述的基于时间卷积与多头注意力机制的时序数据预测方法，其特征在于，在步骤S2中，对任一批次的时间序列数据的每个时间窗口对其进行嵌入和添加位置编码的步骤具体为：
4.根据权利要求1所述的基于时间卷积与多头注意力机制的时序数据预测方法，其特征在于，在步骤S2中，通...
【技术特征摘要】
1.一种基于时间卷积与多头注意力机制的时序数据预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时间卷积与多头注意力机制的时序数据预测方法，其特征在于，在步骤s1中，将时间序列数据集进行预处理的步骤具体为：时间序列数据集包括多个时间序列数据；
3.根据权利要求1所述的基于时间卷积与多头注意力机制的时序数据预测方法，其特征在于，在步骤s2中，对任一批次的时间序列数据的每个时间窗口对其进行嵌入和添加位置编码的步骤具体为：
4.根据权利要求1所述的基于时间卷积与多头注意力机制的时序数据预测方法，其特征在于，在步骤s2中，通过频谱分析识别各时间窗口的周期性特征的步骤包括：
5.根据权利要求1所述的基于时间卷积与多头注意力机制的时序数据预测方法，其特征在于，在步骤s2中，基于选定的频率和周期性特征将时间序列数据转换为二维时间序列具体为：
6...
【专利技术属性】
技术研发人员：凌捷，林立志，李风环，罗玉，黄逸涛，杜海华，
申请(专利权)人：广东工业大学，
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。