-
公开(公告)号：CN117725411A
公开(公告)日：2024-03-19
申请号：CN202311547462.0
申请日：2023-11-20
Applicant: 中国科学院计算技术研究所
IPC: G06F18/214 , G06F18/15 , G06F18/213 , G06N3/042 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F123/02
Abstract: 本发明提供一种面向数据缺失的多元时间序列数据预测模型训练方法，所述多元时间序列数据预测模型用于根据一个时间段内多个节点的多元时间序列数据预测该时间段的未来时间段的多个节点的多元时间序列数据，所述方法包括：S1、获取多个节点在相同时间窗口的多元时间序列数据以构建训练集；S2、构建初始模型，所述初始模型包括归纳注意力模块、自适应图卷积模块和解码器，其中，所述归纳注意力模块用于对特征数据进行补全，所述自适应图卷积模块用于对补全后的特征数据进行特征提取，所述解码器用于对特征提取后的特征数据进行预测；S3、采用所述训练集对所述初始模型进行多轮迭代训练直至收敛得到多元时间序列数据预测模型。
-
公开(公告)号：CN119129768A
公开(公告)日：2024-12-13
申请号：CN202410834572.3
申请日：2024-06-26
Applicant: 中国科学院计算技术研究所
IPC: G06N20/00 , G06F18/214 , G06F18/27 , G06F123/02
Abstract: 本发明实施例提供了一种训练学生模型的方法，包括：获取第一训练集，其包括多个未经缺失处理的原始样本和对应的标签；获取利用原始样本和标签训练得到教师模型，其包括用于从原始样本提取教师表征的特征提取器和用于根据教师表征得到教师预测结果的回归层；利用多种缺失率对每个原始样本进行处理，得到对应的缺失样本，所有缺失样本和对应的标签组成第二训练集；获取学生模型，其包括用于从缺失样本提取学生表征的特征提取器和用于根据学生表征得到学生预测结果的回归层；利用第二训练集、教师表征和教师预测结果对学生模型进行训练，训练时，基于表征损失、预测结果损失、对比损失和绝对误差损失加权的总损失更新学生模型的参数。
-
公开(公告)号：CN119669663A
公开(公告)日：2025-03-21
申请号：CN202411634098.6
申请日：2024-11-15
Applicant: 中国科学院计算技术研究所
IPC: G06F18/15 , G06F18/213 , G06F18/2131 , G06N3/0455 , G06N3/042 , G06N3/045 , G06N3/08 , G06F123/02
Abstract: 本发明提供一种用于多元时间序列分析的外插模型及其训练方法，模型包括：数据获取模块，用于获取所有传感器的待外插时序数据和元数据，待外插时序数据包括各传感器在预定时间段内的时序数据，所有传感器中包括缺失全部时序数据的目标传感器且其时序数据以预设缺失值替代；元数据图建模模块，用于基于待外插时序数据和元数据提取各传感器间的动态时空关系，根据动态时空关系构建元数据图；编码器，用于基于预定义图和元数据图编码待外插时序数据，得到编码结果；解码器，用于基于预定义图和元数据图对编码结果进行解码，得到解码结果；聚合层，用于聚合编码结果和解码结果，得到外插结果；其中，采用对抗训练方式训练得到经训练的外插模型。
-
公开(公告)号：CN119442131A
公开(公告)日：2025-02-14
申请号：CN202411430489.6
申请日：2024-10-14
Applicant: 中国科学院计算技术研究所
IPC: G06F18/25 , G06F18/214 , G06F18/213 , G06N3/045 , G06N3/08
Abstract: 本发明提供了一种基于多尺度融合的多元时间序列预测模型构建方法，所述方法包括：步骤S1、获取训练数据集，所述训练数据集包括多个预设时间段的多元时间序列数据；步骤S2、构建初始模型；步骤S3、以多元时间序列数据作为输入，多元时间序列数据的下一个时间段的多元时间序列数据作为预测输出，采用训练数据集基于预设的损失函数训练初始模型直至收敛，得到多元时间序列预测模型。本发明构建的多元时间序列预测模型不仅能够提取不同尺度下的时域和频域信息，还能对不同尺度下的时域信息和频域信息进行对齐融合，以充分利用多元时间序列数据的时域信息和频域信息实现多元时间序列数据的精准预测。
-
-
-
Search Results
4
records
(took 0.032 seconds)
