[发明专利]一种深度解耦时间序列预测方法

权利要求书

1.一种深度解耦时间序列预测方法，其特征在于，应用到交通领域中道路车流量的预测，包括以下步骤：

采集时间序列数据，该时间序列数据为道路车流量，并对道路车流量进行预处理，得到预处理后的道路车流量；

构建时间序列预测模型，包括全局特征编码器、自适应参数生成模块、局部特征编码器，以及解码器，其中，全局特征编码器用于将道路车流量编码成全局特征表示，自适应参数生成模块用于根据道路车流量生成局部特征编码器参数，局部特征编码器基于加载的局部特征编码器参数，将道路车流量编码成局部特征表示，解码器用于对全局特征表示和局部特征表示拼接的结果进行解码处理，输出预测的道路车流量；

利用道路车流量对时间序列预测模型进行参数优化，将参数优化的时间序列预测模型用于道路车流量的预测。

2.如权利要求1所述的深度解耦时间序列预测方法，其特征在于，所述预处理包括异常值检测和去除、缺失值补充以及归一化处理。

3.如权利要求1所述的深度解耦时间序列预测方法，其特征在于，所述全局特征编码器包括由卷积神经网络构建的短期特征抽取器、向量量化模块、由多个注意力模块堆叠组成的Transformer编码器，其中，短期特征抽取器用于对输入道路车流量进行短期特征提取得到道路车流量的短期表示，向量量化模块用于对输入短期表示进行向量化编码，得到编码后的向量；Transformer编码器用于基于编码后的向量建模整条道路车流量数据中的长期依赖关系，输出道路车流量的全局特征表示。

4.如权利要求1所述的深度解耦时间序列预测方法，其特征在于，所述自适应参数生成模块采用基于多视野对比编码方式，实现对道路车流量的编码，输出局部特征编码器参数。

5.如权利要求4所述的深度解耦时间序列预测方法，其特征在于，所述自适应参数生成模块包括情境识别网络和参数生成网络，其中，情境识别网络包括依次连接的卷积模块、Transformer编码器和LSTM聚合器，用于将道路车流量映射为情境隐变量，参数生成网络由全连接网络组成，用于根据情境隐变量生成局部特征编码器的参数。

6.如权利要求1所述的深度解耦时间序列预测方法，其特征在于，所述局部特征编码器的参数不参与训练，由自适应参数生成模块生成，局部特征编码器包括短期特征抽取器、由多个注意力模块堆叠组成的Transformer编码器，其中，短期特征抽取器用于对输入道路车流量进行短期特征提取得到道路车流量的短期表示，Transformer编码器用于基于短期表示建模整条道路车流量数据中的长期依赖关系，输出道路车流量的局部特征表示。

7.如权利要求1所述的深度解耦时间序列预测方法，其特征在于，所述解码器包括卷积模块和多个相同的注意力模块，其中，卷积模块用于对输入的全局特征表示和局部特征表示拼接的结果进行卷积操作，所述注意力模块用于基于卷积结果进行连接计算，输出预测的道路车流量。

8.如权利要求1所述的深度解耦时间序列预测方法，其特征在于，在对时间序列预测模型进行参数优化时，采用的损失函数为：

其中，为预测目标函数，表示为：

为多视野对比编码目标函数，表示为：

为向量量化约束目标函数，表示为：

其中，x_T+t、分别表示相对于T时刻的未来τ步的道路车流量的真实值和预测值，τ表示预测步长，f为f₁和f₂为对比学习的评估函数，表示情境隐变量，表示自适应参数生成模块产生的短期表示，表示短期表示的干扰项，ε为SoftMax的温度参数，(t)为时刻1,2,…,T的均匀采样，为情境识别网络输出的高斯后验分布，表示数学期望，V^(lo)表示长期表示集合，V^(sh)表示短期表示集合，α为可调节的超参数，表示KL散度，sg()为梯度截断操作，满足sg(z)≡z，γ为可调节的超参数，z表示全局特征编码器产生的短期表示，表示对z的向量化编码结果。