【技术实现步骤摘要】
本专利技术涉及时间序列预测，尤其涉及一种边缘场景下融合动态遗忘的轻量化时间序列预测方法和装置。
技术介绍
1、时间序列预测任务在工业场景中占有很大比重。但是，在实际应用中，边缘设备(如传感器、iot节点等)采集的时间序列数据的分布会随时间发生如设备老化、季节更替等因素引起的渐进性变化或突发故障、极端事件等因素引起的突变性漂移。在此背景下引申出了两个关键问题：其一，传统静态模型因无法主动遗忘过时模式，导致预测性能持续下降；其二，边缘设备的内存和算力有限，需要更加轻量化的模型设计。
2、尽管深度学习方法在时间序列预测领域的相关研究已经具有一定规模，但是目前的相关研究主要是将研究重心放在如何使得预测更加精准，对于如何在参数高效和精准预测之间的权衡则研究不足。一方面，深度学习模型对硬件要求高，导致在边缘场景下的难以落地；另一方面，与现有的深度学习模型训练思路不同，当下的研究多数采用持续学习方法强调保留历史知识进行全面建模，这种思路与边缘时间序列预测任务的保持参数高效的基本逻辑与需求是相悖的。
技术实现思路
【技术保护点】
1.一种边缘场景下融合动态遗忘的轻量化时间序列预测方法，其特征在于，包括：
2.根据权利要求1所述的一种边缘场景下融合动态遗忘的轻量化时间序列预测方法，其特征在于，还包括：识别所述时间序列数据中的重要时间节点，并对所述重要时间节点上的高频分量和低频分量进行标记；
3.根据权利要求1所述的一种边缘场景下融合动态遗忘的轻量化时间序列预测方法，其特征在于，所述时间卷积网络的训练过程具体包括：
4.根据权利要求2所述的一种边缘场景下融合动态遗忘的轻量化时间序列预测方法，其特征在于，在所述时间卷积网络的训练过程中，具体还包括边缘训练回路，所述...
【技术特征摘要】
1.一种边缘场景下融合动态遗忘的轻量化时间序列预测方法，其特征在于，包括：
2.根据权利要求1所述的一种边缘场景下融合动态遗忘的轻量化时间序列预测方法，其特征在于，还包括：识别所述时间序列数据中的重要时间节点，并对所述重要时间节点上的高频分量和低频分量进行标记；
3.根据权利要求1所述的一种边缘场景下融合动态遗忘的轻量化时间序列预测方法，其特征在于，所述时间卷积网络的训练过程具体包括：
4.根据权利要求2所述的一种边缘场景下融合动态遗忘的轻量化时间序列预测方法，其特征在于，在所述时间卷积网络的训练过程中，具体还包括边缘训练回路，所述边缘训练回路包括遗忘阶段、补偿微调阶段和弹性扩增阶段；
5.根据权利要求1所述的一种边缘场景下融合动态遗忘的轻量化时间序列预测方法，其特征在于，所述贝叶斯transformer与时间感知注意力机制的训练过程具体包括：
【专利技术属性】
技术研发人员：任建吉，李明阳，李亚男，王娟，王艺蒙，辛云，武啊明，原永亮，赵珊，
申请(专利权)人：河南理工大学，
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。