[发明专利]一种融合图结构的时间序列预测建模方法

说明书

本发明公开了一种融合图结构的时间序列预测建模方法，其分为以下四步：数据处理阶段、特征提取、特征融合以及模型预测；所述融合图结构数据的时间序列预测方法使用到的数据类型主要有两类：一种是时间序列本身的序列信息，记录的是每个结点上的个体某个目标值随着时间变化的序列；另一类是影响序列的事件信息，记录的是个体在相应统计时间节点发生的事件信息，使用文本记录时间序列上的事件；本发明实现了对于领域关系的建模方法研究，使用多维矩阵的方法来表示多种关联关系，将数据信息和文本信息进行向量表征，接着利用图卷积神经网络在多个个体形成的复杂网络中进行特征融合，有益效果是使用数据表示关联关系从而达到利用关联关系增加时间序列预测信息的多样性，从而提升时间序列预测的效果。

技术领域

本发明涉及一种融合图结构的时间序列预测建模方法，属于时间序列预测技术领域。

背景技术

时间序列预测技术是依靠过去的一段序列预测将来产生的一段序列的技术研究方法， 具体来讲，如果针对的预测对象是时间序列的数值，那么序列数值随时间的变化会形成时 间序列。时间序列具体的方法主要有基于统计和自回归的方法以及基于神经网络方法的两 大种类。其中基于统计的方法由于表征时间序列特征的能力有限，难以对时间序列变量中 的非线性关系进行模拟，机器学习方法的预测效果优于基于统计的方法。针对特定领域的 时间序列的极度不确定性，结合深度学习的相关模型方法，具有更强的模型适应能力、特 征融合能力、抗干扰能力，是未来时间序列预测发展的主要趋势。

差分自回归移动平均模型(ARIMA)的发展是基于过去的时间序列会对未来序列产生 影响，掌握历史时间序列的规律就可以对未来进行预测。ARIMA模型是自回归模型(AR)、移动平均模型(MA)、自回归移动平均模型(ARMA)的复合形式，基于这种模型的时间序列 预测方法需要做时间序列的平稳性检验，如果时间序列不稳定，则需要通过取对数、差分 等方式使得时间序列平稳。

基于深度学习的时间序列预测方法的主要发展得益于循环神经网络(RNN)对于序列信 息强大的建模能力，这种能力已经在多个领域的时间序列建模中得到证明。LSTM循环神 经网络通过增加输入门、遗忘门、输出门的结构实现了对于时间序列长短结构的记忆，是 时间序列预测领域应用最为广泛的神经网络基础模型。

时间序列反映了客观世界的运行机制，在真实世界中的时间序列往往会受到多重因素 的影响，特别是特殊事件、以及序列之间的关联关系。下面是结合除时序信息之外的时间 序列预测模型的发展。

由于自然语言处理技术的发展，使用文本事件辅助时间序列的预测成为了行之有效的 方法，特殊事件造成的连锁反应可以通过对特定事件的新闻采集通过自然语言处理技术得 到量化的表示。文本事件的向量化表示方法主要的是向量词嵌入的发展，列如Word2Vec 方法可以训练大规模的词向量，Fasttext网络也可以用来进行文本的语义学习。

时间序列中的个体具有一定的因果联系，在图神经网络技术出现之前，用来建模图结 构特征的深度学习工具还不够成熟。个体之间会有明显的促进或者减弱的影响，而传统的 深度学习模型并没有这种结合图关系数据的结构和特征。其核心的发展是图卷积网络(GCN) 在对于图的结点分类以及链接预测中的强大图数据建模能力，之后又产生了一系列相关的 图神经网络。