买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆机场集团有限公司

摘要：本发明提出了一种基于大语言模型LLM的机场短期负荷预测方法。该方法通过归一化原始时间序列数据，并运用PCA技术降维，实现数据的有效预处理。接着，采用跨模态知识蒸馏技术将数据嵌入LLM的潜在表示空间，利用多头自注意力和LoRA技术提取特征，对齐时间序列与自然语言模态。通过构造提示提供上下文信息，进一步优化模型对数据的理解。最终，结合静态和动态知识，使用文本‑时间双分支结构增强预测准确性和泛化能力。本发明的设计方案能够有效处理具有高不确定性和复杂性的机场负荷数据，与传统深度学习方法相比，本方法在结合局部特征和全局特征方面具有明显优势，克服了处理复杂、高维数据时的局限性，显著提高了短期负荷预测的准确率。

主权项：1.一种基于大语言模型迁移的机场短期负荷预测方法，用于实现机场短期负荷数据的高效预测，其特征在于，包括如下步骤：步骤A、对原始时间序列数据或者机场历史负荷序列数据进行归一化处理，将原始时间序列数据或者负荷序列数据转换为均值为0、标准差为1的归一化数据，并且通过主成分分析PCA降维词嵌入字典，以提取关键特征，使得语义相似的词会形成“同义词簇”，然后进入步骤B；步骤B、利用跨模态知识蒸馏技术，将归一化后的时间序列数据通过映射和重编程，嵌入到与预训练大语言模型相同的潜在表示空间中，并使用多头自注意力和低秩适应LoRA技术对时间序列进行特征提取，并对齐时间序列和自然语言的模态，然后进入步骤C；步骤C、使用数据集相关描述、任务描述作为补充信息，构造提示作为前缀，为嵌入后的时间序列数据提供额外的上下文信息，以增强大语言模型对数据的理解，然后进入步骤D；步骤D、构造与目标数据源相关的静态和动态知识，通过特征正则化损失和模态一致性损失对时间序列数据和文本表示进行联合优化，以增强模型对目标源数据模式的理解，然后进入步骤E；步骤E、利用文本模态分支和时间模态分支的双分支结构，通过任务特定的头部结构生成预测输出，同时利用预训练的LLMs中的静态知识和动态知识，增强时间序列预测的准确性和泛化能力，然后进入步骤F；步骤F、应用训练好的模型，对新输入的时间序列数据或者机场负荷序列数据进行端到端的预测，生成预测结果，并通过模型评估指标验证预测性能。

全文数据：

权利要求：

百度查询： 重庆机场集团有限公司 一种基于大语言模型迁移的机场短期负荷预测方法