【技术实现步骤摘要】
本专利技术属于数据处理，具体为一种基于分层小波注意力的非平稳时间序列预测方法及系统。
技术介绍
1、时间序列预测在电力负荷、气象、金融交易、交通流量等众多领域中扮演着至关重要的角色。基于 transformer 架构的深度学习模型在捕捉时间序列的长期依赖关系方面取得了显著成功。然而，现有的模型在处理真实世界中常见的非平稳时间序列时，仍面临巨大挑战。
2、真实世界的时序数据，例如电力消耗数据，往往包含由极端天气、政策变动或设备故障等因素引起的突变点，以及由节假日效应、市场波动等短期外部因素带来的瞬时振荡。这些非平稳特征表现为信号中的高频瞬态成分。
3、传统的基于傅里叶变换的分析方法虽然能识别信号的频率成分，但丢失了时间维度的信息，无法定位突变发生的时间点。而现有的主流时间序列预测模型，通常将时间序列作为一个整体或分割成时间片进行处理，试图用单一的模型结构同时学习趋势、周期性、突变和振荡等多种模式。这种方式容易导致不同性质的信号模式在学习过程中相互干扰。例如，模型为了适应平稳的周期性，可能会平滑掉关键的突变信息；反之...
【技术保护点】
1.一种基于分层小波注意力的非平稳时间序列预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤 b 中，特征提取过程还包括：通过时序编码器对所述内生时间序列数据进行处理，得到时域特征表示；所述步骤 iii 中生成的小波域特征表示与所述时域特征表示，通过一个门控融合机制进行融合，共同构成所述内生特征表示。
3.根据权利要求1或2所述的方法，其特征在于，所述步骤ii 中，用于对不同频率尺度的细节系数序列进行时序依赖建模的所述时序编码器，是权重共享的。
4.根据权利要求3所述的方法，其特征在于，所述时序...
【技术特征摘要】
1.一种基于分层小波注意力的非平稳时间序列预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤 b 中，特征提取过程还包括：通过时序编码器对所述内生时间序列数据进行处理，得到时域特征表示；所述步骤 iii 中生成的小波域特征表示与所述时域特征表示，通过一个门控融合机制进行融合，共同构成所述内生特征表示。
3.根据权利要求1或2所述的方法，其特征在于，所述步骤ii 中，用于对不同频率尺度的细节系数序列进行时序依赖建模的所述时序编码器，是权重共享的。
4.根据权利要求3所述的方法，其特征在于，所述时序编码器是基于...
【专利技术属性】
技术研发人员：叶建，刘向向，邓礼敏，符宏荣，李威仁，吴正君，唐亮，田静，曹宏纯，雷涛，刘星，刘飞霞，
申请(专利权)人：国网江西省电力有限公司供电服务管理中心，
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。