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：本发明提供一种基于小波多分辨率分解的深度学习工单量预测方法，属于时间序列预测领域，包括：将每组工单样本输入ExWaveformer模型的事件检测器中提取工单类型特征；获取工单量历史输入序列和预测输入序列分别输入编码器和解码器中；将工单量预测输入序列分解为趋势分量和周期随机分量，对周期随机分量提取频域特征后重构回时域，在时域使用自注意力提取关联特征并在编码器中编码为隐向量；计算时域交叉注意力得到重构的周期随机隐向量，将其融合趋势分量得到最终生成的工单量预测序列；步骤S6、更新参数，最终得到训练好的预测模型。本发明能够降低时间复杂度，提升预测精度，当实际运用场景中出现突发事件情况下仍然能够准确预测。

主权项：1.一种基于小波多分辨率分解的深度学习工单量预测方法，其特征在于：包括如下步骤：步骤S1、将工单数据集分割为工单训练集、工单验证集和工单测试集，将工单量数据集分割为工单量训练集、工单量验证集和工单量测试集；步骤S2、从工单训练集中随机选取N1组训练样本，将每组训练样本中包含的工单受理内容字段、工单类别字段输入到ExWaveformer模型的事件检测器中，以构造的提示模板对基于中文BERT的事件检测器进行微调，其中，ExWaveformer模型基于编解码架构，由事件检测器、编码器和解码器构成，提示模板的构造方式为在输入的工单受理内容字段之后拼接提示模板，使用工单类别字段作为标签真实值和事件检测器标签预测值计算损失，损失函数采用交叉熵损失来衡量预测误差，依此对事件检测器进行微调；步骤S3、从工单量训练集中随机选取N2组训练样本，将每组训练样本中包含的历史工单量序列、气温序列、节假日信息序列和全局时间信息拼合事件类型检测编码以作为历史输入序列输入编码器中，并以滑窗方式将历史输入序列的一半数据置换为后续预测的数据后，作为预测输入序列输入解码器中，其中，全局时间信息包含年月日信息；步骤S4、通过编码器的小波增强层对历史输入序列提取频域特征后重构回时域，在时域使用自注意力提取重构回时域的结果的关联特征并编码为隐向量；步骤S5、在解码器中将预测输入序列分解为趋势分量和周期随机分量，并通过解码器的小波增强层对周期随机分量提取频域特征后重构回时域，将步骤S4得到的隐向量进行线性变换后得到键值向量和数值向量，在解码器的交叉注意力模块中使用稀疏注意力查询向量、键值向量和数值向量计算时域交叉注意力得到重构的周期随机隐向量，将其融合趋势分量得到最终生成的工单量预测序列；步骤S6、计算最终生成的工单量预测序列与真实序列之间的均方误差和平均绝对误差以更新参数，最终得到训练好的预测模型，利用验证集对预测模型进行验证，得到基于验证集的均方误差，并重复步骤S2至步骤S6，直至基于验证集的均方误差不再减小。

全文数据：

权利要求：

百度查询： 华侨大学 一种基于小波多分辨率分解的深度学习工单量预测方法