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：本发明涉及一种制造业多数据价值协同的预测方法、装置及存储介质，该方法包括：构建多元时序预测模型，所述的模型的输入为历史时段多元变量的时序序列，所述的模型的输出为待预测时刻多元变量的预测值，所述的多元变量包括目标变量和环境变量；训练多元时序预测模型；采用训练的多元时序预测模型进行制造业生产场景下的数据预测。与现有技术相比，本发明采用了一个端到端的多元时序预测模型进行数据的预测，在处理高噪声、相关性强的制造业大数据时无需额外的特征提取、特征选择等操作，具有灵活性和可扩展性。

主权项：1.一种制造业多数据价值协同的预测方法，其特征在于，该方法包括：构建多元时序预测模型，所述的模型的输入为历史时段多元变量的时序序列，所述的模型的输出为待预测时刻多元变量的预测值，所述的多元变量包括目标变量和环境变量；训练多元时序预测模型；采用训练的多元时序预测模型进行制造业生产场景下环境变量和目标变量的数据预测，所述环境变量为生产流水线上的温度、湿度或压力，所述目标变量为产品的产率或良率；所述的多元时序预测模型包括：嵌入模块：将输入的历史时段多元变量的时序序列中的目标变量和环境变量分别用两个不同的嵌入操作变换为高维向量；编码模块：将目标变量和环境变量变换后的高维向量分别进行编码得到目标变量隐状态矩阵H1和环境变量隐状态矩阵H2；注意力模块：基于目标变量隐状态矩阵H1和环境变量隐状态矩阵H2采用注意力机制进行数据融合处理得到非线性融合数据；自回归模块：对输入的历史时段多元变量的时序序列进行线性自回归处理得到线性自回归数据；聚合输出模块：将非线性融合数据和线性自回归数据进行聚合得到预测结果；所述的编码模块包括长短期记忆网络；设目标变量隐状态矩阵H1为m1*n维矩阵，环境变量隐状态矩阵H2为m2*n维矩阵，其中n为输入时序序列的采样时刻总数，m1、m2为常数；所述的注意力模块的执行过程包括：将H1的每个行向量作为查询，分别计算H1的每一个行向量和H2的行向量的点积作为H2每一个行向量的注意力权重，使用注意力权重对H2的行向量加权求和得到上下文向量，将所有上下文向量沿特征维度拼接到H1下，记拼接完成后的矩阵为H3；以H3末尾时刻的列向量h3作为查询，对H3中所有的列向量计算点积作为H3每一个列向量的注意力权重，使用注意力权重求H3所有列向量的加权和，得到一个上下文向量c3；以H2末尾时刻的列向量h2作为查询，对H2中所有的列向量计算点积作为H2每一个列向量的注意力权重，使用注意力权重求H2所有列向量的加权和，得到一个上下文向量c2；将h3和c3沿特征维度拼接得到非线性融合向量X1，将h2和c2沿特征维度拼接得到非线性融合向量X2；所述的聚合输出模块的执行过程包括：自回归模块进行处理后的线性自回归数据记作c1，c1为k维向量，每一维对应为多元变量中的一个维度；将非线性融合向量X1和非线性融合向量X2进行线性变换、拼接处理形成k维向量r1；将c1与r1相加得到多元变量的预测结果。

全文数据：

权利要求：

百度查询： 上海交通大学 一种制造业多数据价值协同的预测方法、装置及存储介质