[发明专利]基于正反卷积神经网络的时空大数据预测方法和系统

说明书

本发明提供一种基于正反卷积神经网络的时空大数据预测方法和系统，方法包括：将时空大数据输入训练好的正反卷积神经网络模型，获取预测结果；训练好的正反卷积神经网络模型通过如下步骤获取：根据任一时刻卷积记忆和任一时刻卷积输出门获取任一时刻卷积输出，构建任一时刻卷积长短时间记忆单元；根据任一时刻反卷积记忆和任一时刻反卷积输出门获取任一时刻反卷积输出，构建任一时刻反卷积长短时间记忆单元；搭建正反卷积神经网络模型；将由观测值组成的张量序列数据输入正反卷积神经网络模型进行训练，获得训练好的正反卷积神经网络模型。本发明通过分析和学习过去观测到的数据，对时空数据的隐含特征进行学习，预测未来的时空大数据序列。

技术领域

本发明涉及计算机数据分析领域，更具体地，涉及一种基于正反卷积神经网络的时空大数据预测方法和系统。

背景技术

数据挖掘的研究是以数据本身的特性为基础，通过建模来实现对海量数据中隐藏信息的利用的，因此，能否充分捕捉数据中的种种隐含联系是评价一个模型优劣的重要标准。作为生活在时间和空间中的生物，能够收集到同时具有时间和空间两种维度层次的数据。例如降水量数据中不仅包含在某一特定时间时，一定范围内降水量分布情况的空间分布数据，还包含在某一特定空间位置的降水量时间分布数据。如果仅仅从空间维度或者时间维度来分析数据，必然会造成显著地信息损失。

最近一段时间，数据挖掘领域最前沿的研究已经在单纯涉及时间维度或者空间维度的问题上实现突破性进展，如以递归神经网络为代表的时间序列数据分析方法，和以卷积神经网络为代表的空间数据分析方法。但是，针对将时间数据和空间数据整合在一起进行分析的数据挖掘方法还远没有达到预期。同时，对于时空数据分析方法的需求是巨大的，诸如天气预报、视频分类、图像预测等真实应用场景需要对时空数据进行处理。

发明内容

本发明提供一种克服上述问题的一种基于正反卷积神经网络的时空大数据预测方法和系统。

根据本发明的一个方面，提供一种基于正反卷积神经网络的时空大数据预测方法，包括：将时空大数据输入训练好的正反卷积神经网络模型，获取预测结果；其中，所述训练好的正反卷积神经网络模型通过如下步骤获取：根据任一时刻卷积记忆和任一时刻卷积输出门获取任一时刻卷积输出，并基于所述任一时刻卷积输出构建任一时刻卷积长短时间记忆单元；根据任一时刻反卷积记忆和任一时刻反卷积输出门获取任一时刻反卷积输出，并基于所述任一时刻反卷积输出构建任一时刻反卷积长短时间记忆单元；通过所有卷积长短时间记忆单元和所有反卷积长短时间记忆单元搭建所述正反卷积神经网络模型，其中，所述正反卷积神经网络模型是以时刻和层为维度的二维模型，每一层的长度均相等，每一时刻的长度均相等；将由观测值组成的张量序列数据输入所述正反卷积神经网络模型进行训练，获得所述训练好的正反卷积神经网络模型。

优选地，所述通过所有卷积长短时间记忆单元和所有反卷积长短时间记忆单元搭建所述正反卷积神经网络模型进一步包括：将所有卷积长短时间记忆单元置入所述正反卷积神经网络模型的较低层，将所有反卷积长短时间记忆单元置入所述正反卷积神经网络模型的较高层，其中，任一所述反卷积长短时间记忆单元所处的层数比任一所述卷积长短时间记忆单元所处的层数高，且所述卷积长短时间记忆单元的数量与所述反卷积长短时间记忆单元的数量相等。

优选地，所述任一时刻卷积记忆通过以下步骤获取：通过以下公式获取卷积输入门：

其中，i_t为卷积输入门，σ为S型非线性激活函数Sigmoid，W_xi为计算卷积输入门时和做卷积操作的卷积核，*为卷积运算符，为任一时刻的输入量，W_hi为计算卷积输入门和做卷积操作的卷积核，为任一时刻的上一时刻的卷积输出，W_ci为计算卷积输入门时和做卷积操作的卷积核，⊙为阿达马算子，为任一时刻的上一时刻的卷积记忆，b_i为卷积输入门偏差；

通过以下公式获取卷积遗忘门：