一种基于时空解构的多传感器长时序列预测方法及模型.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115829011A(43)申请公布日2023.03.21(21)申请号202211153969.3(22)申请日2022.09.21(71)申请人太原理工大学地址030024山西省太原市迎泽西大街79号(72)发明人王莉蒋卓伦张祎琳许柏宁宁泽飞苗昊(74)专利代理机构太原高欣科创专利代理事务所(普通合伙)14109专利代理师孟肖阳冷锦超(51)Int.Cl.G06N3/049(2023.01)G06N3/0464(2023.01)G06N3/08(2023.01)权利要求书3页说明书8页附图4页(54)发明名称一种基于时空解构的多传感器长时序列预测方法及模型(57)摘要本发明提供了一种基于时空解构的多传感器长时序列预测方法及模型，属于深度学习技术领域；解决了多源时间序列的长时间预测准确性的问题；包括如下步骤：输入传感器历史数据；对传感器历史数据的时间序列的时序信息进行捕获：使用基于自相关机制的时序模块处理时间序列，得到时间序列内隐含的时序关系；对传感器历史数据的时间序列的空间信息进行捕获：使用基于卷积和自注意力的空间模块处理消除时序部分后的时间序列，得到多个不同变量之间的隐含关系；聚合得到长时序列预测：将时序部分预测数据和空间部分预测数据进行求和运算，即可得到最终的预测数据；本发明应用于多传感器数据预测。CN115829011ACN115829011A权利要求书1/3页1.一种基于时空解构的多传感器长时序列预测方法，其特征在于：包括如下步骤：S1：输入传感器历史数据；S2：对传感器历史数据的时间序列的时序信息进行捕获：使用基于自相关机制的时序模块处理时间序列，得到时间序列内隐含的时序关系，具体为：利用自相关机制捕获时间序列中的时序关系，再通过线性网络得到后预测输入Backcast和前预测输出Forecast；S3：对传感器空间信息进行捕获：使用基于卷积和自注意力的空间模块处理消除时序部分后的时间序列，得到多个不同变量之间的隐含关系，具体为：先进行数据的时空解构：使原始输入的传感器历史数据与输入的预测Backcast相减，分解时序序列中的时序项，得到空间模块的输入；再进行空间信息捕获：利用卷积和注意力分别捕获时间序列的局部和全局变量关系，再通过线性网络得到空间项的两部分预测数据；S4：聚合得到长时序列预测：将时序部分预测数据和空间部分预测数据进行加权求和运算，即可得到最终的预测数据。2.根据权利要求1所述的一种基于时空解构的多传感器长时序列预测方法，其特征在于：所述步骤S2中时间序列的时序信息捕获的具体过程如下：设输入的历史数据表示为上式中：N为传感器的数量，Tx为历史时间序列的长度，n表示第n个传感器，表示第n个传感器在l时刻采集的数据；目标是得到长度为Ty的未来时间序列Y：输入的历史数据首先会通过由多个基于自相关机制的基本块组成的时序模块，得到对未来的时序项预测forecasttem和对输入的预测backcasttem两部分，其过程表示如下：forecasttem，backcasttem＝TempoialModule(X)；其中forecasttem是组成未来预测的时序项部分，而backcasttem是输入序列中的时序项部分，TemporalModule为时序模块。3.根据权利要求2所述的一种基于时空解构的多传感器长时序列预测方法，其特征在于：所述基于自相关机制的基本块组成的时序模块通过计算时间序列的自相关性来挖掘序列中隐含的时间依赖关系，并基于不同粒度的时间窗口聚合相似的单个子序列，实现序列级关系挖掘，具体步骤如下：首先使输入的传感器历史数据通过一个由全连接网络组成的堆栈结构，以突出序列的隐含特征；之后使得到的序列特征通过一维卷积网络，以变量维度作为通道，在时间维度上进行滑动，得到Q、K、V，其中Q表示查询向量，K表示被查询信息与其他信息的相关性向量，V表示被查询信息的向量；之后通过引入自相关机制来进行序列级的时序相关性挖掘，自相关机制中的自相关定义如下：2CN115829011A权利要求书2/3页上式中：其中Rxx(τ)表示子序列Xt和另一个τ滞后子序列Xt‑τ之间的相关性，τ是时间跨度，T为总时间序列的长度，在此基础之上通过时延聚合的方法，根据不同的时间跨度τ进行滑动，从而对齐观察窗口内相似的子序列，最后通过softmax进行子序列的聚合，得到序列内的时序特征，再通过线性网络得到时序项的前、后两部分预测。4.根据权利要求3所述的一种基于时空解构的多传感器长时序列预测方法，其特征在于：所述步骤S3中空间信息捕获的具体过程如下：首先使输入的传感器历史数据通过一个全连接网络堆叠的结构，得到序列特征；然后分别通过自注意力和卷积来捕获全局变量关系和局部变量关系，其