申请/专利权人：南开大学

申请日：2024-01-19

公开（公告）日：2024-04-19

公开（公告）号：CN117909627A

主分类号：G06F17/11

分类号：G06F17/11;G06N3/045;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明公开了一种基于时空受控神经随机微分方程的多元时序数据预测方法，涉及时间序列预测技术领域，具体包含三个核心特点：神经受控随机微分方程CSDE编解码器、基于注意力的图卷积神经随机微分方程AGC‑SDE模块和迭代步数感知的门控线性单元GLUs模块。与现有技术相比，本发明的STC‑SDE模型在处理具有高动态性和复杂变量依赖的多元时间序列预测任务时，显示出更高的精度和鲁棒性。特别是在工业过程控制和金融时间序列分析等领域，本发明能有效提升预测的准确性和可靠性。

主权项：1.基于时空受控神经随机微分方程的多元时序数据预测方法，其特征在于，包括以下步骤：S1：模型初始化：首先，初始化CSDE编码器并设定其参数为θenc；随后，分别对两个CSDE解码器进行初始化并设置其参数为θdec，两个所述CSDE解码器用于预测未来时间序列的均值和方差；S2：历史数据编码：对于每个时间步t，范围从1至P，CSDE编码器将对历史数据中的过程变量操作变量以及干扰变量进行编码，并更新时间步t的隐藏状态Ht；S3：设置初始预测输入：为预测未来序列做准备，设定初始预测输入包括最后一个时间步的操作变量序列和填充的零矩阵；S4：未来序列预测：对于每个未来时间步t，范围从P+1至P+F，CSDE解码器基于上一时间步的隐藏状态Ht-1和当前的预测输入预测下一步的均值和方差；同时更新预测输入以供下一步预测使用，并存储每个时间步的预测结果及其方差估计；S5：输出结果：输出包括整个未来序列的预测过程变量及其方差估计提供每个预测值的精确点估计和置信区间。

全文数据：

权利要求：

百度查询： 南开大学 基于时空受控神经随机微分方程的多元时序数据预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD