[发明专利]一种注意区域信息相似性的时间序列预测模型构建方法在审
| 申请号： | 201910849154.0 | 申请日： | 2019-09-09 |
| 公开（公告）号： | CN110717577A | 公开（公告）日： | 2020-01-21 |
| 发明（设计）人： | 刘志伟;王帮海 | 申请（专利权）人： | 广东工业大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06F16/906 |
| 代理公司： | 44102 广州粤高专利商标代理有限公司 | 代理人： | 林丽明 |
| 地址： | 510006 广东省*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及数据挖掘领域，更具体地，涉及一种注意区域信息相似性的时间序列预测模型构建方法。本发明主要通过注意力机制关注先前时间步区域信息与当前时间步区域信息的相似度，并使用长短期神经网络中先前所有时间步的加权融合向量与当前时间步模型预测输出及当前时间步的LSTM状态向量作为模型下一个时间步时间序列预测操作的输入。本发明通过长短期神经网络LSTM结合注意区域信息的注意力机制进行时间序列值的预测，相比现有技术中的传统回归方法和一般LSTM神经网络方法，本发明的预测结果具有更高的准确性，模型也更具鲁棒性。 | ||
| 搜索关键词： | 时间步 区域信息 神经网络 注意力机制 时间序列预测模型 时间序列预测 传统回归 加权融合 模型预测 时间序列 数据挖掘 预测结果 状态向量 鲁棒性 相似度 构建 向量 输出 预测 | ||
【主权项】：
1.一种注意区域信息相似性的时间序列预测模型构建方法，其特征在于，包括以下步骤：/n步骤S1：采集时间序列数据，将采集到的时间序列数据进行标准化处理；/n步骤S2：将标准化处理后的时间序列数据按先后顺序输入到长短期神经网络LSTM中，获取并保存长短期神经网络LSTM每个时间步输入时间序列数据后更新的状态向量；/n步骤S3：使用卷积神经网络CNN对长短期神经网络LSTM中每个时间步之前连续的多个状态向量进行卷积运算，得到与每一个时间步相对应的区域信息表征向量；/n步骤S4：计算时间步之间所对应的区域信息表征向量的相似度，并根据相识度对区域信息表征向量赋予不同的权值；/n步骤S5：将区域信息表征向量的权值映射为0～1之间的实数，并保证所有权值映射后的值的和为1；/n步骤S6：将每个时间步的状态向量与对应时间步映射后的权值进行加权融合操作，得到最终的注意力表征向量，完成注意区域信息相似性的时间序列预测模型的构建；/n步骤S7：使用损失函数以及优化器对权值进行优化，将注意区域信息相似性的时间序列预测模型运算过程中的损失降到最小。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于广东工业大学，未经广东工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910849154.0/，转载请声明来源钻瓜专利网。
- 上一篇：图像处理方法、装置和设备
- 下一篇：神经网络压缩方法、图像处理方法及装置
