[发明专利]一种深度解耦时间序列预测方法

说明书

本发明公开了一种深度解耦时间序列预测方法，包括：1)对给定的时间序列数据进行预处理，构建训练数据集；2)利用向量量化全局特征编码器捕获多条时间序列共享的全局变化模式；3)利用局部特征编码器捕获单条时间序列特有的局部变化模式，其中每条时间序列拥有一组特定的局部特征编码器参数，由自适应参数生成模块生成；4)将全局和局部特征编码器的输出输入到解码器，进行预测。本发明将时间序列的动态性解耦为全局和局部变化模式，并分别建模，能够解决现有模型无法充分利用数据集中共享的知识，以及无法充分建模单条时间序列特定的局部变化模式的问题，进而提升预测精度，在交通预测、供应链管理和金融投资等领域都具有广阔的应用前景。

技术领域

本发明涉及时间序列数据预测领域，具体涉及一种深度解耦时间序列预测方法。

背景技术

时间序列广泛存在于交通、电力、医疗和金融等领域。时间序列预测(即根据一段历史时间的观测值，预测接下来某个时刻的观测值)是数据挖掘中的重要研究课题。在如今的大数据时代，单条时间序列往往不是孤立存在，数据集通常会包含多条具有相关性的时间序列，这些时间序列具有全局(多条时间序列共享)和局部(单条时间序列特有)变化模式。如图1所示，所有道路的道路使用率时间序列均具有相同的周期(24小时)，并具有早高峰和晚高峰，即全局变化模式；道路1具有轻微的早晚高峰，道路2具有明显的早高峰，没有晚高峰，道路3具有轻微的早高峰和明显的晚高峰，道路4具有强烈的早晚高峰，即局部变化模式。一个好的时间序列预测模型应该同时捕获这两种变化模式。

基于统计机器学习的时间序列预测模型，例如AR、ARIMA、指数平滑和线性状态空间模型等，在单条时间序列上进行训练和预测，无法建模多变量时间序列数据集中公共的变化模式，因此无法从这种全局知识中获益。

经典深度学习模型，例如基于RNN、TCN和Transformer的预测模型，是目前在该领域中应用最为广泛的一类方法。此类模型利用数据集的所有数据训练一组共享模型参数，平等地利用所有时间序列的信息，然而，这种通过简单的参数共享捕获全局信息的方式是不充分的，这是由于预测时模型只将单条时间序列的历史数据作为输入，无法为其显式引入全局信息或其他相关序列的信息。

一些最新的方法尝试利用矩阵分解将原始时间序列表示为k条潜在时间序列的线性组合(k远小于数据集中时间序列的数量)，通过潜在时间序列捕捉多变量时间序列中的公共模式。然而矩阵分解作用于特征空间，无法捕捉复杂的全局变化模式。

发明内容

鉴于上述，本发明的目的是提供一种深度解耦时间序列预测方法，通过有效建模时间序列的全局和局部变化模式，从而在降低计算消耗的同时提升时间序列数据的预测精度。

为实现上述发明目的，本发明提供以下技术方案：

一种深度解耦时间序列预测方法，应用到交通领域、电力领域、医疗领域、金融领域中时间序列数据的预测，包括以下步骤：

采集时间序列，并对时间序列进行预处理，得到预处理后的时间序列；

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时间序列编码成全局特征表示，自适应参数生成模块用于根据时间序列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，将时间序列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，输出预测的时间序列数据；

利用时间序列数据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时间序列的预测。

优选的，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。