[发明专利]利用动态时间上下文学习进行多界限时间序列预测的系统和方法

权利要求书

1.一种用于产品的时间序列预测的方法，包括：

提供所述产品的与多个未来时间步长相对应的输入特征向量；

对所述输入特征向量执行双向长短期记忆网络BiLSTM以获得与所述多个未来时间步长相对应的隐藏状态；

对于每一个未来时间步长：使用多个时间尺度对所述隐藏状态执行时间卷积以获得所述多个时间尺度上的上下文特征，以及使用多个权重对所述多个时间尺度上的上下文特征进行求和以获得多尺度上下文特征；以及

转换所述多尺度上下文特征以获得与所述未来时间步长相对应的所述时间序列预测。

2.根据权利要求1所述的方法，其中所述提供输入特征向量的步骤包括：

提供与所述产品的所述多个未来时间步长相对应的时间序列输入变量；

将所述时间序列输入变量嵌入到特征向量；以及

对于所述产品的每一个未来时间步长：

级联所述时间步长的特征向量以获得长向量；以及

使用全连接层，根据所述长向量形成所述输入特征向量之一。

3.根据权利要求1所述的方法，其中所述多个时间尺度包括2-10个尺度。

4.根据权利要求3所述的方法，其中所述多个时间尺度包括尺度-1、尺度-3、尺度-5和尺度-7四个尺度；

对于来自所述未来时间步长的每一个目标步长：

所述尺度-1使用所述目标步长的隐藏状态；

所述尺度-3使用所述目标步长、所述未来时间步长中紧接在所述目标步长之前的一个未来时间步长以及所述时间步长中紧接在所述目标步长之后的一个时间步长的隐藏状态；

所述尺度-5使用所述目标步长、所述未来时间步长中紧接在所述目标步长之前的两个未来时间步长以及所述时间步长中紧接在所述目标步长之后的两个时间步长的隐藏状态；以及

所述尺度-7使用所述目标步长、所述未来时间步长中紧接在所述目标步长之前的三个未来时间步长以及所述时间步长中紧接在所述目标步长之后的三个时间步长的隐藏状态。

5.根据权利要求4所述的方法，其中通过以下公式来获得尺度-3上的上下文特征：

其中是时间步长t+2和尺度-3上的上下文特征，h_t是时间t处的隐藏输出，并且g₃是大小为1×3的时间卷积滤波器。

6.根据权利要求5所述的方法，还包括通过以下操作来获得所述多个权重：

通过w＝f(h^e)来生成S维重要性向量w，其中f是多层感知器，h^e是历史数据的经编码的历史表示；以及

通过softwmax运算来对w进行归一化，其中S是所考虑的上下文尺度的数量，α_i是第i个尺度的经归一化的重要性。

7.根据权利要求6所述的方法，其中所述多尺度上下文特征c中的每一个由来确定，其中cⁱ是不同尺度的上下文特征。

8.根据权利要求7所述的方法，其中使用线性变换y＝Wc+b来确定所述未来时间步长之一处的输出，其中y是K分位数估计，y∈R^K，并且W和b是使用所述历史数据来学习到的。

9.根据权利要求1所述的方法，还包括提供紧接在所述未来时间步长的第一未来时间步长之前的时间步长的隐藏状态。

10.根据权利要求9所述的方法，其中利用输入特征和与先前的时间步长相对应的输出，使用两层LSTM编码器来获得紧接在所述第一时间步长之前的所述时间步长的所述隐藏状态。