-
公开(公告)号：CN111291804A
公开(公告)日：2020-06-16
申请号：CN202010074244.X
申请日：2020-01-22
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于注意力机制的多传感器时间序列分析模型。本发明包括数据收集、数据挖掘、时间序列分析和前端可视化，所述的数据收集通过设置在人体上的可穿戴传感器设备进行收集；可穿戴传感器设备分别固定在测试人员身体的大臂上侧和膝盖上侧，其中左臂上侧设置主传感器,其余都是从机传感器；从机传感器通过其射频无线传输模块将运动信号发送到主传感器，再发送到手机；根据分析方向进行定向分析，如果是运动预测，则对信号进行预处理，再由模型进行预测；如果是活动识别，则对信号进行预处理、特征提取、特征归一化、特征降维和识别分类器；最后均将结果显示在手机上。本发明用于多变量时间序列长期预测，可以实现实时运动预测。
-
公开(公告)号：CN112257911B
公开(公告)日：2024-03-26
申请号：CN202011089562.X
申请日：2020-10-13
Applicant: 杭州电子科技大学
IPC: G06F18/20 , G06Q50/04 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/08 , G06F123/02
Abstract: 本发明公开了一种基于并行时空注意力机制的TCN多元时间序列预测方法，首先对公式进行定义，然后构建多元时间序列预测模型，包括两个并行的网络主干，空间注意力分支主干通过空间注意力模块提取外生序列和目标序列之间的空间相关性，时间注意力分支主干则通过时间注意力模块来捕捉窗口中所有时间步间的时间依赖性。空间注意力模块和时间注意力模块分别连接两个相同的堆叠TCN主干和全连接层；最后将多变量的时间序列输入多元时间序列预测模型中，获得最终的预测结果。本发明方法将时空注意力机制与TCN相结合相较于传统TCN取得了更高的准确率，同时提高网络计算效率相较于基于RNN的模型大大缩减了模型训练所需要的时间。
-
公开(公告)号：CN113392137A
公开(公告)日：2021-09-14
申请号：CN202110491150.7
申请日：2021-05-06
Applicant: 杭州电子科技大学
IPC: G06F16/2458 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于双窗口机制的多变量时间序列数据预测模型。包括短序列处理模块和长序列处理模块；其中，所述短序列处理模块用于处理短时间序列数据，并从中提取出平稳的近期信息；所述长序列处理模块用于处理长时间序列数据，并从中提取出周期性、季节性的长期信息。最后将两部分结合起来，从而兼具近期信息和长期规律，得到更好的预测结果。本发明有效利用长时间序列数据从而提高时间序列预测准确率。本发明系统在所有数据集中都得到了最好的RMSE和MAE。这说明本发明确实因为融合了长序列和短序列各自的特点而优于单纯使用短序列的模型。且本发明拥有比DARNN和TCN更强的预测能力，更适用于需要高准确率而不是低时间花费的场合。
-
公开(公告)号：CN112257911A
公开(公告)日：2021-01-22
申请号：CN202011089562.X
申请日：2020-10-13
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于并行时空注意力机制的TCN多元时间序列预测方法，首先对公式进行定义，然后构建多元时间序列预测模型，包括两个并行的网络主干，空间注意力分支主干通过空间注意力模块提取外生序列和目标序列之间的空间相关性，时间注意力分支主干则通过时间注意力模块来捕捉窗口中所有时间步间的时间依赖性。空间注意力模块和时间注意力模块分别连接两个相同的堆叠TCN主干和全连接层；最后将多变量的时间序列输入多元时间序列预测模型中，获得最终的预测结果。本发明方法将时空注意力机制与TCN相结合相较于传统TCN取得了更高的准确率，同时提高网络计算效率相较于基于RNN的模型大大缩减了模型训练所需要的时间。
-
-
-
Search Results
4
records
(took 0.016 seconds)
