时空流数据预测模型训练方法技术

本申请公开了一种时空流数据预测模型训练方法，涉及时空数据挖掘技术领域，该方法包括：获取样本；基于样本中的数据批次执行多次模型训练操作，直到满足停止条件，得到时空流数据预测模型；任一次模型训练操作包括：由当前阶段的初始预测器进行预测，得到当前数据批次的预测时空流数据；基于当前数据批次的真实数据和预测时空流数据以及预设损失函数，对预测器的权重进行调整，得到当前阶段优化后的第一预测器；检测当前数据批次的历史时空流数据是否有数据分布偏移；若有，对第一预测器进行权重微调；若无数据分布偏移，当前阶段优化后的第一预测器即为下一次模型训练操作对应的初始预测器。本申请可提升预测的准确性。

【技术实现步骤摘要】

本申请涉及时空数据挖掘，特别是涉及一种时空流数据预测模型训练方法。

技术介绍

1、时空学习方法旨在通过对多源时空数据（如交通流量数据、空气质量监测数据、气象雷达数据等）的建模与分析，挖掘数据中潜在的时空关联规律，进而实现对未来时空状态的预测、异常时空事件的检测等关键任务，为各类领域的决策制定提供重要的技术支撑。

2、目前，时空学习方法在设计与实现过程中，均普遍基于数据独立同分布的假设。这一假设认为，用于训练时空学习模型的训练数据集与模型在实际应用过程中所处理的时空数据服从相同的概率分布，且数据样本之间相互独立。

3、然而，在实际应用场景中，时空数据通常以流数据的形式存在，即时空流数据会随着时间的推移不断实时生成，且其分布特性往往会发生动态变化，并不满足现有时空学习方法所依赖的独立同分布假设，因此，现有基于数据独立同分布假设的时空学习方法难以适应时空流数据的特征，从而使得训练的模型的预测准确性较低。

技术实现思路

1、本申请的目的是提供一种时空流数据预测模型训练方法，可提升对时空数据预测本文档来自技高网...

【技术保护点】

1.一种时空流数据预测模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述第一预测器进行权重微调，包括：

3.根据权利要求2所述的方法，其特征在于，所述获取第一预测器中的稳定新皮层结构和动态海马体结构，包括：

4.根据权利要求3所述的方法，其特征在于，所述根据每一层网络的权重差异值集合确定稳定新皮层结构和动态海马体结构，包括：

5.根据权利要求2所述的方法，其特征在于，

6.根据权利要求5所述的方法，其特征在于，所述对所述动态海马体结构中的网络层的权重进行调整包括：</p>

7.根据...

【技术特征摘要】

1.一种时空流数据预测模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述第一预测器进行权重微调，包括：

3.根据权利要求2所述的方法，其特征在于，所述获取第一预测器中的稳定新皮层结构和动态海马体结构，包括：

4.根据权利要求3所述的方法，其特征在于，所述根据每一层网络的权重差异值集合确定稳定新皮层结构和动态海马体结构，包括：

5.根据权利要求2所述的方法，其特征在于，

6.根据权利要求5所述的方法，其特征在于，所述对所述动态海马体结构...

【专利技术属性】
技术研发人员：邓攀，王子昂，张瑾铭，赵宇，刘俊廷，庞双双，陈磊，丛丽，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：