一种短期时间序列预测模型的训练方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114743072A(43)申请公布日2022.07.12(21)申请号202210571113.1(22)申请日2022.05.24(71)申请人中国科学院计算机网络信息中心地址100190北京市海淀区东升南路2号院(72)发明人王珏王子鉴操海州姚铁锤王彦棡王晓光万萌(74)专利代理机构北京亿腾知识产权代理事务所(普通合伙)11309专利代理师陈霁(51)Int.Cl.G06V10/774(2022.01)G06V10/80(2022.01)G06K9/62(2022.01)G06N20/00(2019.01)权利要求书1页说明书4页附图2页(54)发明名称一种短期时间序列预测模型的训练方法(57)摘要本发明涉及一种短期时间序列预测模型的训练方法，方法包括：输入具有不同特征的带有时间属性的历史图像数据；使用双流时空运动特性识别方法对所述图像数据进行特征提取，得到不同图像数据的特征；将不同图像数据的特征进行张量拼接，得到多种因子图像特征矩阵；将历史目标实测数据、历史理想外源辅助数据与历史实际外源辅助数据的差值、以及多种因子图像特征矩阵进行拼接，得到第一样本数据；以未来目标实测数据作为第一标签数据，使用Transformer预测出第一预测数据，将所述第一预测数据与所述第一标签数据使用损失函数计算第一预测损失，并向使所述第一预测损失减小的方向进行迭代训练，得到训练完成的模型。CN114743072ACN114743072A权利要求书1/1页1.一种短期时间序列预测模型的训练方法，其特征在于，所述方法包括：输入具有不同特征的带有时间属性的历史图像数据；使用双流时空运动特性识别方法对所述图像数据进行特征提取，得到不同图像数据的特征；将所述不同图像数据的特征进行张量拼接，得到多种因子图像特征矩阵；将历史目标实测数据、历史理想外源辅助数据与历史实际外源辅助数据的差值、以及所述多种因子图像特征矩阵进行拼接，得到第一样本数据；以未来目标实测数据作为第一标签数据，使用Transformer预测出第一预测数据，将所述第一预测数据与所述第一标签数据使用损失函数计算第一预测损失，并向使所述第一预测损失减小的方向进行迭代训练，得到训练完成的模型，其中，Transformer的编码器中输入所述第一样本数据，Transformer的解码器中输入所述编码器的输出数据以及未来理想外源辅助数据,所述带有时间属性的历史图像数据是在科学层面上与所述第一预测数据存在一定相关性的图像数据，所述历史实际外源辅助数据是在科学层面上被证实与第一预测数据存在线性关系的数据。2.根据权利要求1所述的方法，其特征在于，所述双流时空运动特性识别方法，还包括：针对某一时刻的运动，使用ResNet18网络针对该时刻的图像数据进行空间维度的特征提取；将该时刻与上一个时刻运动变化所得的X、Y方向光流图按通道融合，得到融合光流图；使用ResNet18网络针对融合光流图进行时间维度的特征提取；将所得空间维度与时间维度的图像数据特征进行融合，得到该运动在时间空间上的特性。3.根据权利要求2所述的方法，其特征在于，所述ResNet18网络由四个Res‑block和一个全连接层组成，包含17个卷积层。4.根据权利要求2所述的方法，其特征在于，所述融合光流图，包括：对该时刻与上一个时刻的图像数据，使用Farneback稠密光流法计算，得到X、Y方向的光流图；将X、Y方向的光流图按通道融合，得到融合光流图。5.根据权利要求1中所述的方法，其特征在于，所述带有时间属性的历史图像数据、历史目标实测数据、历史理想外源辅助数据、历史实际外源辅助数据的步长均为第一步长，所述第一步长为历史时间步长，所述未来目标实测数据、第一预测数据、未来理想外源辅助数据的步长均为第二步长，所述第二步长为预测时间步长。6.根据权利要求1中所述的方法，其特征在于，所述历史理想外源辅助数据以及未来理想外源辅助数据，是根据现有科学模型推断出来的。7.根据权利要求1中所述的方法，其特征在于，所述损失函数为均方误差函数。8.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1‑7中任一项的所述的方法。2CN114743072A说明书1/4页一种短期时间序列预测模型的训练方法技术领域[0001]本发明涉及机器学习领域，尤其涉及一种短期时间序列预测模型的训练方法。背景技术[0002]随着人工智能技术的发展和诸如气象、交通、海洋等专业领域对有效预测未来时序数据的需要，构建具有高准确性的预测模型显得尤为重要。然而，上述专业领域中所涉及的待时间序列往往具有一定的间歇性和不稳定性，因此，需要采用结合多源多种数据对时间序列预测的方法。发明