申请/专利权人：山西省能源互联网研究院

申请日：2024-04-30

公开（公告）日：2024-07-05

公开（公告）号：CN118297237A

主分类号：G06Q10/04

分类号：G06Q10/04;G06N3/049;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明涉及时间序列预测技术领域，尤其涉及一种时间序列预测方法，解决了现有时间预测方法中，使用MSE的变体进行训练往往会产生模糊的预测，缺乏在确定性和概率上下文中提供清晰预测的能力的技术问题，本发明所述方法将确定性预测模型和概率性预测模型相结合，确定性预测模型为DILATE损失函数，DILATE损失函数由a倍的shape函数和1‑a倍的time函数组成；概率性预测模型包括建立在质量损失预测器基础上的STRIPE++模型；本发明验证了DILATE损失函数和STRIPE++模型的相关性，突出了利用形状和时间特征进行时间序列预测所带来的好处；可以保证准确的时间定位，以及提供准确的时间序列预测。

主权项：1.一种时间序列预测方法，其特征在于，包括以下步骤：步骤一、采集真实未来数据，真实未来数据由时间序列数据集组成，首先对时间序列数据集进行归一化预处理；步骤二、建立确定性预测模型和概率性预测模型：将时间序列预测的相关数据应用在多步预测网络中，生成数据的预测轨迹，将数据的预测轨迹与真实未来数据进行对比，输入可微分的DTW轨迹模型中，根据参数校准成本和时间惩罚系数分别DTW和进行时间误差分析，在进行时间误差分析时，需要用到DTW的软最优路径，由DTW和进行时间误差分析生成DILATE损失函数，DILATE损失函数由两部分组成，第一部分是a倍的shape函数，第二部分是1-a倍的time函数，其中a为范围在0-1的系数；DILATE损失函数即为确定性预测模型；概率性预测模型包括建立在质量损失预测器基础上的STRIPE++形状和时间建立网络；时间序列数据经过编码器汇总为潜在状态，潜在状态被分解为来自编码器的确定性部分h、用于解释形状变化的随机代码zs以及用于解释时间变化的随机代码zt，来自编码器的确定性部分h、用于解释形状变化的随机代码zs以及用于解释时间变化的随机代码zt用于训练质量损失预测器，用于解释形状变化的随机代码zs和用于解释时间变化的随机代码zt从后验网络中采样，质量损失预测器的输出数据再输入STRIPE++形状和时间建立网络中，STRIPE++形状和时间建立网络用于使预测多样化；步骤三、将步骤一中预处理后的时间序列数据分别输入步骤二建立的确定性预测模型和概率性预测模型中，最终输出所需的深度时间序列预测结果。

全文数据：

权利要求：

百度查询： 山西省能源互联网研究院 一种时间序列预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD