公开(公告)号：CN118296330A

公开(公告)日：2024-07-05

申请号：CN202410726512.X

申请日：2024-06-06

Applicant: 杭州电子科技大学

Inventor： 樊谨 ,  杨宝顺 ,  王则昊 ,  毕彦昊 ,  秦飞巍

IPC: G06F18/20 ,  G06N3/0455 ,  G06N3/084 ,  G06N3/042 ,  G06N3/0464 ,  G06F123/02

Abstract: 本发明公开了一种基于多视图时间序列图结构的长期时间序列预测方法，其特征在于，包括如下步骤：步骤1、获取多元时间序列数据，并对数据进行预处理，将预处理后的数据进行分片处理，通过分片处理后的数据得到#imgabs0#份特征序列；步骤2、构建并训练预测模型MGTV，所述预测模型MGTV包括依次连接的局部交叉视图生成器、维度视图生成器和时间视图生成器；步骤3、将每份特征序列进行分割，平均分成#imgabs1#份片段序列；步骤4、应用完成训练的预测模型MGTV得到#imgabs2#份预测结果；步骤5、将#imgabs3#份预测结果拼接后加权最终的预测结果。该方法提供了一种全新的时间序列预测模型MVTG，提升模型预测精度的同时，提高模型的运算速度。

公开(公告)号：CN118520276A

公开(公告)日：2024-08-20

申请号：CN202410745276.6

申请日：2024-06-11

Applicant: 杭州电子科技大学

Inventor： 樊谨 ,  项嘉倩 ,  刘杰 ,  汪哲瑜 ,  毕彦昊 ,  邬惠峰

IPC: G06F18/213 ,  G06F18/214 ,  G06F18/25 ,  G06N3/0455 ,  G06N3/084 ,  G06F123/02

Abstract: 本发明公开了一种基于孪生网络的小样本长时间序列预测方法，属于时间序列预测领域，使用两个共享参数的网络来进行时间序列的特征提取，将时间序列划分成双层级patch来帮助模型捕获更精细的局部特征，通过在输入patch的首位加上可学习的预测token(LPT)来捕获时间序列中的全局信息，使得模型在捕获精细的局部特征的同时可以结合全局特征来更全面地理解时间序列的内在结构和模式，以提升模型的预测性能。本发明采用上述的一种基于孪生网络的小样本长时间序列预测方法，能够在小样本条件下实现较为准确且可靠的未来趋势预测，能够通过双层级输入策略和LPT捕获时间序列的局部和全局特征，提升了小样本设置下的长时间序列预测精度。