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！

摘要：本发明公开了一种基于层次化双Transformer编码器的长期时间序列预测方法，包括：1）对输入数据进行可逆实例归一化；2）对归一化后的数据进行分段和嵌入；3）采用双编码器模块进行特征提取，学习其数据分布及变化规律；4）采用层次化堆叠的双编码器模块进行多尺度特征提取，学习不同时间尺寸的动态模式；5）拼接各层双编码器模块的输出，使用线性头实现多尺度预测；6）通过训练出的最优网络进行预测，并通过误差评价指标对比预测结果与真实结果。本发明方法能够同时处理和整合来自不同通道的信息，并在模型中实现这两种策略的互补，提高了预测的精度和鲁棒性，同时双编码器结构能够显著提升模型在处理不同尺度时间序列时的适应性和预测能力。

主权项：1.一种基于层次化双Transformer编码器的长期时间序列预测预测方法，包括以下步骤：步骤S1、对输入数据进行可逆实例归一化在将原始时间序列数据输入模型前，首先对原始时间序列数据进行归一化处理，然后再对模型的输出序列进行去归一化处理，用公式分别表示为： 上式中，γ,β∈RM是可学习的径向参数向量，E[X]和Var[X]分别是输入的时间序列X的均值和方差，∈是确保计算稳定性的平滑项；步骤S2、对归一化后的数据进行分段和嵌入首先在时间维度上将输入的时间序列X的最后一个值R复制S次，以扩展序列，随后将X分割成两个不同的修补序列：和其中，P表示每个分段内的时间步数，S是两个分段之间的距离，N代表分段总数；之后将和分别沿分段维度P嵌入，得到和从而将分段序列映射到一个高维度的空间，这一过程用公式表示为： 其中，是可训练的线性映射，通过将观测信号的时间维度映射到潜在空间并增强序列表示；步骤S3、采用双编码器模块进行特征提取，学习多变量时间序列的数据分布及变化规律；所述双编码器模块DEB由时间编码器、变量编码器和低秩前馈神经网络组成，所述时间编码器和变量编码器采用Metaformer架构，并根据任务要求使用不同的tokenmixer；时间编码器和变量编码器的输出最终由低秩前馈神经网络LR-FFN耦合；步骤S4、采用层次化堆叠的双编码器模块进行多尺度特征提取，学习不同时间尺寸的动态模式通过在相邻的两个双编码器模块之间设置一个合并层，该合并层沿着时间嵌入维度D聚合相邻的k个时间段，形成更粗略的宏观表示；步骤S5、拼接各层双编码器模块的输出，使用线性头实现多尺度预测将每层双编码器模块的编码结果拼接为以捕捉从微观到宏观尺度的时间和变量信息；在时域中，两维向量被扁平化为一维向量，线性变换为然后进行预测；步骤S6、通过训练出的最优网络进行预测，并通过误差评价指标对比预测结果与真实结果。

全文数据：

权利要求：

百度查询： 南昌大学 一种基于层次化双Transformer编码器的长期时间序列预测方法