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！

申请/专利权人：浙江大学

摘要：本发明公开了一种基于多尺度时序特征增强的多元时间序列长期预测方法，提出了时序预测模型TFEformer，利用多分枝结构和序列‑补丁注意力机制提取多时间尺度下的全局和局部时间序列特征，并设计自适应特征融合机制实现多尺度时序特征的自适应融合；利用变量间注意力机制和重新设计的门控前馈网络，分别进行多元变量间特征融合以及时间序列内部特征融合。本发明提出的时序预测模型显著提高了对时间序列中长期趋势的预测效果，并增强了对短期局部波动的拟合能力，全面提升了模型在多元时间序列预测任务中不同预测时间长度下的预测精度。

主权项：1.基于多尺度时序特征增强的多元时间序列长期预测方法，其特征在于，包括时序预测模型TFEformer，所述时序预测模型TFEformer由嵌入模块Embedding、多层编码器Encoder和解码器Decoder构成，利用多分枝结构和序列-补丁注意力机制提取多时间尺度下的全局和局部时间序列特征，利用自适应特征融合机制实现多尺度时序特征的自适应融合，并利用变量间注意力机制和重新设计的门控前馈网络对多元时间序列特征向量分别进行多元变量间特征融合以及时间序列内部特征融合，包括以下步骤：步骤1：获取多元时间序列数据集,对所述多元时间序列数据集进行预处理，并将多元时间序列数据集根据模型训练的要求，将其按预设比例划分为训练数据集和验证数据集；步骤2：基于步骤1得到的所述训练数据集，进行分组重构，将连续时间序列分割为多组由历史序列和预测序列构成的组数据，每次随机选取N组组数据，每组组数据中的历史序列输入到时序预测模型TFEformer中的嵌入模块Embedding，利用多分枝结构对全局和局部补丁特征进行向量化特征表达和维度变换，将变换后的全局序列特征和局部补丁特征进行配对拼接；步骤3：将配对拼接后的全局和局部补丁特征输入至编码器Encoder中进行进一步的特征提取和表达，得到包含所有特征信息的时序特征向量，其中所述编码器Encoder包括补丁-序列注意力层、自适应融合层、变量间注意力层以及门控前馈网络层；步骤4：将步骤3得到的时序特征向量输入至解码器Decoder，利用线性映射网络对特征向量进行重构并调整向量长度，从而得到基于训练数据集的生成预测序列；步骤5：计算训练数据集中的预测序列与步骤4得到的基于训练数据集的生成预测序列之间的均方误差MSE，以最小化均方误差MSE为优化目标,通过Adam优化器进行反向传播，更新网络参数，训练得到时序预测模型TFEformer；步骤6：将步骤1得到的所述验证数据集，采用与步骤2相同的方法进行分组重构，并以与步骤2相同的数据输入方法，输入至步骤5训练得到的时序预测模型TFEformer中，得到基于验证数据集的生成预测序列；步骤7：计算验证数据集中的预测序列与步骤6得到的基于验证数据集的生成预测序列之间的均方误差MSE；步骤8：重复步骤2至步骤7，直至步骤7得到的均方误差MSE不再减小，说明模型表现已达到最优，则网络参数更新完毕，时序预测模型TFEformer完成训练,得到最优的时序预测模型TFEformer；步骤9：将预测任务所给的输入序列输入到步骤8得到的最优的时序预测模型TFEformer中，进行序列预测，输出得到的生成预测序列，完成预测任务。

全文数据：

权利要求：

百度查询： 浙江大学 基于多尺度时序特征增强的多元时间序列长期预测方法