申请/专利权人:东北大学
申请日:2024-01-30
公开(公告)日:2024-04-30
公开(公告)号:CN117951641A
主分类号:G06F18/25
分类号:G06F18/25;G06F18/2131;G06F18/213;G06F18/214;G06F123/02
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.17#实质审查的生效;2024.04.30#公开
摘要:本发明提供一种基于时频复合学习的长期时间序列预测方法,涉及时间序列预测技术领域,本发明通过特定的模型结构设计和时‑频‑复合损失函数以实现时频复合学习的长期时间序列预测。其中,模型结构包含两个部分TrendBlock和SeasonBlock。TrendBlock通过利用趋势分解和线性插值映射等技术,可有效的从数据集中所包含的趋势信息在时域模式下学习出与未来时间步在时域模式下的映射关系,SeasonBlock则是通过利用多头频率增强和多头频率信息融合映射等技术,有效地从数据中所包含的季节信息在频率模式下学习出与未来时间步在频域模式下的映射关系。时‑频‑复合损失函数的设计包含频域和时域两个部分,以辅助模型分别学习频域和时域模式下的映射关系。
主权项:1.一种基于时频复合学习的长期时间序列预测方法,其特征在于,包括以下步骤:步骤1:以设定采样间隔采集时序数据,并对其进行预处理;步骤2:将数据集按照设定比例划分为训练集、验证集和测试集;步骤3:构建基于时频复合学习的长期时间序列预测方法模型,构建时-频-复合损失函数;步骤4:利用小批量随机梯度下降、Adam优化算法以及早停方法对长期时间序列预测方法模型进行训练;步骤5:将测试集输入到训练好的长期时间序列预测模型中,得到预测结果。
全文数据:
权利要求:
百度查询: 东北大学 一种基于时频复合学习的长期时间序列预测方法
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。