[发明专利]一种基于时空两阶段注意力的非线性外源序列预测方法

说明书

本申请公开了一种基于时空两阶段注意力的非线性外源序列预测方法，所述方法应用于预测网络模型，所述预测网络模型包括配置有时空注意力机制的编码器以及配置有自注意力机制的解码器，在获取到待预测的若干目标序列以及若干外源序列后，根据若干外源序列确定若干二阶外源序列；将所述若干二阶外源序列输入所述编码器，通过所述编码器确定隐空间特征；将所述隐空间特征以及所述若干目标序列输入所述解码器，通过所述解码器确定所述目标序列对应的预测序列。本申请通过在编码器端时空注意力机制，可获取外源序列之间的相关性，同时通过自注意力机制可以更好地捕获时间序列的长程依赖关系，从而提高模型预测性能，进而提高了预测序列的准确性。

技术领域

本申请涉及趋势预测技术领域，特别涉及一种基于时空两阶段注意力的非线性外源序列预测方法。

背景技术

非线性自回归外生序列预测(NARX)模型为时间序列预测模型，其被广泛应用于金融产品走势预测、气候环境的短期变化进预测以及应用与医疗场景对疫情管控走势预测等方面。但是，现有的非线性自回归外生序列预测模型普遍无法提取输入外源序列联动之间的贡献，在捕获时间序列的长程依赖方面效果有限，从而影响了非线性自回归外生序列预测模型的模型精度，从而影响了预测结果的准确性。

发明内容

本申请要解决的技术问题在于，针对现有技术的不足，提供一种基于时空两阶段注意力的非线性外源序列预测方法。

为了解决上述技术问题，本申请实施例第一方面提供了一种基于时空两阶段注意力的非线性外源序列预测方法，所述方法应用于预测网络模型，所述预测网络模型包括编码器和解码器，所述编码器配置有时空注意力机制，所述解码器配置有自注意力机制，所述方法包括:

获取待预测的若干目标序列以及若干外源序列，并根据若干外源序列确定若干二阶外源序列；

将所述若干二阶外源序列输入所述编码器，通过所述编码器确定隐空间特征；

将所述隐空间特征以及所述若干目标序列输入所述解码器，通过所述解码器确定所述目标序列对应的预测序列。

所述基于时空两阶段注意力的非线性外源序列预测方法，其中，所述获取所述待预测的若干目标序列以及若干外源序列，并根据若干外源序列确定若干二阶外源序列之后，所述方法还包括：

对于若干外源序列中的每个外源序列，确定该外源序列与若干外源序列中各外源序列的相关性序列；

根据确定的所有相关性序列确定若干二阶外源序列。

所述基于时空两阶段注意力的非线性外源序列预测方法，其中，所述编码器包括时空注意力模块以及激活模块，所述将所述若干二阶外源序列输入所述编码器，通过所述编码器确定隐空间特征，具体包括：

将若干二阶外源序列输入时空注意力模块，通过所述时空注意力模块确定各二阶外源序列各自对应的候选隐空间特征；

将各候选隐空间特征输入激活模块，通过激活模块确定隐空间特征。

所述基于时空两阶段注意力的非线性外源序列预测方法，其中，所述将若干二阶外源序列输入时空注意力模块，通过所述时空注意力模块确定各二阶外源序列各自对应的候选隐空间特征，具体包括：

所述时空注意力模块确定各二阶外源序列各自对应的时空注意力特征；

所述时空注意力模块基于各时刻注意力特征，确定各二阶外源序列各自对应的权重序列；

所述时空注意力模块基于各外源序列以及各二阶外源序列各自对应的权重序列，确定各二阶外源序列各自对应的候选隐空间特征。

所述基于时空两阶段注意力的非线性外源序列预测方法，其中，所述激活模块包括若干长短记忆单元，若干长短记忆单元与若干候选隐空间特征一一对应，并各候选隐空间特征为其对应的长短记忆单元的输入项。