买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国科学院合肥物质科学研究院申请的专利一种带不确定度估计的时间序列回归预测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116720158B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310463764.3，技术领域涉及：G06F18/27；该发明授权一种带不确定度估计的时间序列回归预测方法及系统是由于治;程彬倩;万晨光;刘晓娟;项农设计研发完成，并于2023-04-26向国家知识产权局提交的专利申请。

本一种带不确定度估计的时间序列回归预测方法及系统在说明书摘要公布了：本发明提供一种带不确定度估计的时间序列回归预测方法及系统，该方法基于注意力机制的深度学习模型，可以进行时间序列回归预测及其不确定度的建模。所述系统包括：数据获取及预处理模块、神经网络模块、训练模块、测试模块。本发明实施例的带不确定度估计的时间序列回归预测方法，通过构建时间序列预测及不确定度模型，以注意力机制为基础，对输入时间序列进行特征提取，并同时解码出输出时间序列及其预测不确定度，能够有效提高时间序列预测结果的实际参考价值，相较于现有的不确定度估计方法具有更高的执行效率和更低的时间空间成本。本发明同时应用在托卡马克0维诊断物理量的放电建模中，使得建模结果更加可靠、具有实用价值。

本发明授权一种带不确定度估计的时间序列回归预测方法及系统在权利要求书中公布了：1.一种带不确定度估计的时间序列回归预测方法，其特征在于，基于注意力机制构建时间序列预测及不确定度模型，具体包括如下步骤： S1、数据获取及预处理：获取时间序列数据，包括输入时间序列和输出时间序列，并对数据进行重采样、标准化、标注放电类别标签预处理操作，以建立模型训练、测试的数据集； S2、构建基于注意力的时间序列预测及不确定度估计模型：将输入时间序列传入到基于注意力的时间序列预测及不确定度估计模型中，该模型将对输入时间序列进行特征提取并映射到潜在空间，并分别通过时序输出模块和不确定度估计模块得到输出时间序列及其不确定度； S3、训练模型：首先，使用目标输出时间序列和时序输出模块的预测输出，根据损失函数L1计算损失，并使用误差反向传播算法进行模型参数优化；然后，在已有模型参数基础上，根据损失函数L2计算实际偏差与不确定度估计模块预测输出的损失，并使用误差反向传播算法进行模型中不确定度估计网络的参数优化，最终得到带不确定度估计的时间序列预测回归最优模型； S4、测试并验证模型有效性：将测试集数据输入到训练好的时间序列预测及不确定度模型中，输出模型预测时间序列及其预测不确定度； 在所述S2中构建的基于注意力机制构建时间序列预测及不确定度模型包括： 位置编码器将利用周期函数对原始张量的位置信息进行编码，得到时序张量，并将时序张量与原始输入张量结合，使得模型具备学习时间序列相对位置信息和绝对位置信息的能力； 输入编码器对输入时间序列进行特征提取，将其压缩成指定长度的语义向量，并映射到潜在空间中； 时序输出模块根据输入编码器映射到潜在空间中的特征向量进行解码，得到输出时间序列的全局特征，并通过线性全连接层得到输出时间序列的最终表达； 直接不确定度估计模块根据输入编码器映射到潜在空间中的特征向量进行解码，得到时间序列不确定度的全局特征，并通过线性全连接层得到不确定度时间序列的最终表达； 线性输出层针对时序输出模块和直接不确定度估计模块的输出进行简单的线性映射到目标输出维度； 所述直接不确定度估计模块包括不确定度估计解码器和线性输出层，其中不确定度估计解码器用于根据输入特征在潜在空间中的映射，解码得到时间序列不确定度的全局特征；线性输出层通过调整不确定度全局特征的权重，将其映射到样本的不确定度输出向量空间中； 所述不确定度估计解码器由多头注意力机制和全连接神经网络组成，多头注意力机制借助线性层建立多个注意力，每个注意力关注输入信息的不同部分，然后再进行拼接，能够增强模型的表达能力；全连接神经网络是多个线性层与激活函数Relu的串联，通过简单线性与非线性处理单元的复合映射，可获得相对复杂的非线性处理能力。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国科学院合肥物质科学研究院，其通讯地址为：230031 安徽省合肥市庐阳区三十岗乡古城路181号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。