CN117494898A - 一种结合注意力机制的时间序列预测方法 - Google Patents
一种结合注意力机制的时间序列预测方法 Download PDFInfo
- Publication number
- CN117494898A CN117494898A CN202311513617.9A CN202311513617A CN117494898A CN 117494898 A CN117494898 A CN 117494898A CN 202311513617 A CN202311513617 A CN 202311513617A CN 117494898 A CN117494898 A CN 117494898A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- network
- prediction
- attention mechanism
- bilstm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000010606 normalization Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 241000820057 Ithone Species 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种结合注意力机制的时间序列预测方法，包括：S1.根据预测目标采集相关时序数据，构建数据序列矩阵；S2.对所述数据序列矩阵进行归一化处理，获得标准序列矩阵；S3.构建基于注意力机制的时间序列预测模型对所述标准序列矩阵进行分析获得预测结果，所述时间序列预测模型包括：编码单元，利用结合注意力机制的BiLSTM网络提取所述标准序列矩阵的时序特征；解码单元，根据所述时序特征，利用结合注意力机制的LSTM网络获得预测结果；S4.对所述预测结果进行逆归一化处理，获得所述预测目标的估计值。本发明通过引入注意力机制，能够更加关注时间序列中影响程度大的因素，从而提升神经网络对时序预测的准确性和泛化性。
Description
技术领域
本发明涉及时间序列分析技术领域，特别是涉及一种结合注意力机制的时间序列预测方法。
背景技术
时间序列的预测和分析研究很多，研究人员使用传统的统计方法，如回归法，指数平均和ARIMA。与统计方法相比，机器学习方法具有更好的非线性映射能力：提取特定时间点的特征，然后使用特征建模和预测结果。基于数据挖掘的机器学习预测方法，如支持向量机(SVM，随机森林,极端梯度增强算法(XGBoost)和支持向量回归机(SVR)等，这类预测方法虽然不需要进行平稳性检验，但是需要对复杂且大量的预测数据进行预处理并进行特征工程。
随着研究的推进以及数据量指数增长，深度学习开始有了一席之地。Hinton首次使用深度学习模型实现数据的降维并且效果显著，该方法的成功开启了深度学习的狂潮。迄今为止，关于深度神经网络在时间序列预测中的运用有着很多种优化方法，涉及各种计算优化以及结构优化方法：有神经网络与模糊理论的结合，也有卷积神经网络(CNN)以及长短期记忆网络(LSTM)的结合等。
然而传统机器学习算法在处理时间序列数据时存在一系列问题，包括：1.非平稳性处理不足：传统方法对非平稳性数据的处理相对简单，而深度学习模型在面对实际中的非平稳性时可能表现不佳，导致模型性能下降；2.长期依赖关系难以捕捉：部分传统机器学习算法和基础深度学习模型在捕捉时间序列中的长期依赖关系方面存在限制，导致对数据内在规律的理解不够充分；3.模型复杂性：一些深度学习模型在处理时间序列预测时可能变得过于复杂，导致训练和推理的效率不高。
发明内容
本发明所要解决的技术问题是提供一种结合注意力机制的时间序列预测方法，提升神经网络对时序预测的准确性，使其泛化性更好。
本发明解决其技术问题所采用的技术方案是：提供一种结合注意力机制的时间序列预测方法，包括以下步骤：
S1.根据预测目标采集相关时序数据，构建数据序列矩阵；
S2.对所述数据序列矩阵进行归一化处理，获得标准序列矩阵；
S3.构建基于注意力机制的时间序列预测模型对所述标准序列矩阵进行分析获得预测结果，所述时间序列预测模型包括：
编码单元，利用结合注意力机制的BiLSTM网络提取所述标准序列矩阵的时序特征；
解码单元，根据所述时序特征，利用结合注意力机制的LSTM网络获得预测结果；
S4.对所述预测结果进行逆归一化处理，获得所述预测目标的估计值。
进一步的，所述利用结合注意力机制的BiLSTM网络提取所述标准序列矩阵的时序特征，包括：
根据当前时刻所述标准序列矩阵的时序数据和上一时刻所述BiLSTM网络的网络状态信息计算编码权重系数；
根据所述编码权重系数更新所述时序数据和所述BiLSTM网络的隐藏层状态，分析获得包含权重信息的时序特征。
进一步的，所述BiLSTM网络的网络状态信息包括所述BiLSTM网络的隐藏层状态和BiLSTM网络的单元状态。
进一步的，所述编码权重系数通过以下公式计算得到：
其中，为当前时刻第k个维度所述时序特征的编码权重系数，xk为第k个维度所述时序数据，ht-1为上一时刻所述BiLSTM网络的隐藏层状态，st-1为上一时刻所述BiLSTM网络的单元状态，/>均为可学习的网络参数。
进一步的，所述利用结合注意力机制的LSTM网络获得预测结果，包括：
根据所述时序特征和上一时刻所述LSTM网络的网络状态信息计算解码权重系数；
根据所述解码权重系数抽取应当关注的所述时序特征作为目标时序特征；
利用所述目标时序特征更新所述LSTM网络的隐藏层状态，分析获得所述预测结果。
进一步的，所述解码权重系数通过以下公式计算得到：
其中，为当前时刻第i个所述时序特征的解码权重系数，hi为第i个所述时序特征，/>为上一时刻所述LSTM网络的隐藏层状态，/>为上一时刻所述LSTM网络的单元状态，/>是均为可学习的网络参数。
进一步的，所述目标时序特征为所述时序特征的加权和：
其中，vt为当前时刻的所述目标时序特征，为当前时刻第i个所述时序特征的解码权重系数，hi为第i个所述时序特征，T为所述时序特征的个数。
进一步的，所述利用所述目标时序特征更新所述LSTM网络的隐藏层状态，通过以下公式实现：
其中，为当前时刻所述LSTM网络的隐藏层状态，yt-1为上一时刻所述LSTM网络的隐藏层状态，vt-1为上一时刻的所述目标时序特征，/>均为可学习的网络参数。
进一步的，所述归一化处理和逆归一化处理是通过RevIN算法实现的。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过引入深度学习和注意力机制，在时间序列预测中能够更准确地捕捉数据内在规律，提高预测的精度和准确性；与传统机器学习算法和基础深度学习模型相比，本发明对于处理非平稳性数据具有更强的适应性，能够更好地处理实际情况中的数据波动和变化，引入的注意力机制有助于更有效地捕捉时间序列中的长期依赖关系，使模型更好地理解数据背后的演变趋势，对于多个领域的时间序列预测都具有普适性，可在金融、天气、电气等实际应用中发挥重要作用。
附图说明
图1是本发明实施方式的系统结构图；
图2是本发明实施方式中损失RMSE下的真实值和预测值对比图；
图3是本发明实施方式中损失MAE下的真实值和预测值对比图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种结合注意力机制的时间序列预测方法，包括以下步骤：
S1.根据预测目标采集相关时序数据，构建数据序列矩阵；
S2.对数据序列矩阵进行归一化处理，获得标准序列矩阵；
S3.构建基于注意力机制的时间序列预测模型对标准序列矩阵进行分析获得预测结果，时间序列预测模型包括：
编码单元，利用结合注意力机制的BiLSTM网络提取标准序列矩阵的时序特征；
解码单元，根据时序特征，利用结合注意力机制的LSTM网络获得预测结果；
S4.对预测结果进行逆归一化处理，获得预测目标的估计值。
下面结合如图1所示的模型结构，对相关步骤做进一步描述。
(1)数据预处理：本实施方式采用RevIN算法来对时序数据进行预处理，通过RevIN模块将输入的数据序列矩阵进行数据归一化处理，转化为平稳状态。
其中和/>是可学习参数，μx为均值，/>为方差，xi为时序数据序列，Tx为序列长度，/>为归一化后的时序数据序列。
(2)Encoder：BiLSTM+注意力机制
LSTM作为RNN的延伸，在每个时间单元通过“遗忘门”“输入门”“输出门”三个特殊的门结构代替RNN中的节点来构成具有长短期记忆的循环体，实现信息的“记忆”与“遗忘”：
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
ot＝σ(Wo·[ht-1，xt]+bo)
这里ft，it，ot分别是遗忘门、输入门、输出门的结果，ct为当前时刻的单元状态，为单元状态的候选值，这里Wf，Wi，Wc，/>和bf，bi，bc，/>是可学习的参数，xt为当前时刻输入的时序数据，ht为当前时刻输出。
BiLSTM是由一个正向LSTM和一个逆向LSTM组合而成：
同理：
使用这样的BiLSTM结构可以更好的捕捉长序列的依赖信息。
注意力机制在其他领域如计算机视觉有强大的捕捉特征作用，因此设计一种基于注意力机制的编码单元来自适应的选择相关依赖信息。对输入的时间序列对第k个维度的时序序列，结合注意力机制和BiLSTM：
这里都是可学习参数，/>为计算注意力机制的中间步骤参数，/>是通过注意力机制计算出来的t时刻的时序特征k的编码权重系数，xk为第k个维度的时序数据，ht-1为t-1时刻BiLSTM网络的隐藏层状态，st-1为t-1时刻BiLSTM网络的单元状态。这时还需要通过一个softmax层，以保证权重总和为1。通过这样的注意力权重，可以更新我们的时间序列和隐藏层信息
通过这样的上下文注意力机制，我们的模型可以有选择的重点关注一些重要数据，而不是将他们一视同仁。
(3)Decoder：LSTM+注意力机制
由于Encoder-Decoder模型受序列长度影响较大。当时间序列过长时，Encoder-Decoder性能会严重下降。因此我们设计了一种时间注意力机制，可以自适应的选择encoder的隐藏状态，优化我们的输出序列，即对不同时间点的特征进行关联，抽取应该关注的特征隐藏值。
根据解码单元的隐藏状态和单元状态/>计算解码权重系数：
这里是可学习参数。/>是解码单元隐藏状态，/>是解码单元的单元状态。/>是通过注意力机制计算出来的t时刻时序特征i的解码权重系数，hi为第i个时序特征，T为时序特征的个数，vt是包含了权重信息的目标时序特征。这时还需要通过一个softmax层，以保证权重总和为1。
这样我们可以将其与我们目标序列结合起来：
这里是可学习参数，yt-1是编码单元输出，/>是解码单元t时刻隐藏层状态，dt为当前时刻LSTM网络的隐藏状态。使用LSTM作为我们接洽的模型，这样decoder隐藏层更新为：
这里f′t，i′t，o′t分别是遗忘门、输入门、输出门的结果，为当前时刻单元状态的候选值，c′t为当前时刻的单元状态，这里W′f，W′i，W′c，/>和b′f，b′i，b′c，是可学习的参数。这样我们的预测结果可以表示为：
这里和/>将级联映射到解码单元隐藏状态的大小，bv和/>为可学习参数。
最后，我们使用线性变换来生成最终的结果。
(4)预测结果处理：RevIN是端到端的数据处理方式，因而需要对通过网络模型产出的结果进行处理：
这里用到的统计数据μx、均为归一化操作时的数据，这里的/>为通过模型训练已经预测出来的结果，/>为逆归一化后的最终预测结果。
下面结合具体实施方式对本发明做更进一步的说明。
选择北京PM2.5数据集作为实验实例。数据集是北京2010年第一季度2136条相关数据，包括PM2.5、露点(DEWP)、温度(TEMP)、压力(PRES)、累计风速(lws)、累计降雪小时数、累计降雨小时数，时间间隔为一小时。
对数据集进行RevIN归一化，将PM2.5作为输出，其余数据作为输入。按照8∶1∶1的比列划分为训练集、验证集、预测集，并使用滑动窗口划分为训练步长为10，BiLSTM和LSTM层数设置为1，学习率设置为0.001，使用Adam优化器。将数据输入，通过BiLSTM和上下文注意力机制双向提取重要时序特征，再通过LSTM和时间注意力机制进行预测，最后RevIN逆归一化得出输出数据。采用均方根误差(RMSE)和平均绝对误差(MAE)作为评估指标，来印证模型对时间序列的预测准确性。在验证集上重复试验后，模型在以下参数设置下表现理想：batch size＝128，epoch＝100，m＝256，p＝256(m和p分别是encoder和decoder的隐藏层状态数)，预测结果对比图如图2、图3所示。
为了进一步验证该算法的有效性，将所提出的算法与一些基线方法在相同的评价标准下进行对比，如表所示：
| RMSE | MAE | |
| ARIMA | 21.59％ | 19.97％ |
| LSTM | 11.61％ | 13.45％ |
| CNN-LSTM | 10.22％ | 9.35％ |
| RevINF-DA | 8.17％ | 6.46％ |
表1
由表1可看出发明设计的基于深度学习的双阶段注意力机制相较于一些机器学习方法和其他深度学习方法准确率高。利用BiLSTM提取长序列特征的能力，结合注意力机制，模型在时间序列预测上有很好的表现。
Claims (9)
1.一种结合注意力机制的时间序列预测方法，其特征在于，包括以下步骤：
S1.根据预测目标采集相关时序数据，构建数据序列矩阵；
S2.对所述数据序列矩阵进行归一化处理，获得标准序列矩阵；
S3.构建基于注意力机制的时间序列预测模型对所述标准序列矩阵进行分析获得预测结果，所述时间序列预测模型包括：
编码单元，利用结合注意力机制的BiLSTM网络提取所述标准序列矩阵的时序特征；
解码单元，根据所述时序特征，利用结合注意力机制的LSTM网络获得预测结果；
S4.对所述预测结果进行逆归一化处理，获得所述预测目标的估计值。
2.根据权利要求1所述的预测方法，其特征在于，所述利用结合注意力机制的BiLSTM网络提取所述标准序列矩阵的时序特征，包括：
根据当前时刻所述标准序列矩阵的时序数据和上一时刻所述BiLSTM网络的网络状态信息计算编码权重系数；
根据所述编码权重系数更新所述时序数据和所述BiLSTM网络的隐藏层状态，分析获得包含权重信息的时序特征。
3.根据权利要求2所述的预测方法，其特征在于，所述BiLSTM网络的网络状态信息包括所述BiLSTM网络的隐藏层状态和BiLSTM网络的单元状态。
4.根据权利要求3所述的预测方法，其特征在于，所述编码权重系数通过以下公式计算得到：
其中，为当前时刻第k个维度所述时序特征的编码权重系数，xk为第k个维度所述时序数据，ht-1为上一时刻所述BiLSTM网络的隐藏层状态，st-1为上一时刻所述BiLSTM网络的单元状态，/>均为可学习的网络参数。
5.根据权利要求3所述的预测方法，其特征在于，所述利用结合注意力机制的LSTM网络获得预测结果，包括：
根据所述时序特征和上一时刻所述LSTM网络的网络状态信息计算解码权重系数；
根据所述解码权重系数抽取应当关注的所述时序特征作为目标时序特征；
利用所述目标时序特征更新所述LSTM网络的隐藏层状态，分析获得所述预测结果。
6.根据权利要求5所述的预测方法，其特征在于，所述解码权重系数通过以下公式计算得到：
其中，为当前时刻第i个所述时序特征的解码权重系数，hi为第i个所述时序特征，为上一时刻所述LSTM网络的隐藏层状态，/>为上一时刻所述LSTM网络的单元状态，/>是均为可学习的网络参数。
7.根据权利要求5所述的预测方法，其特征在于，所述目标时序特征为所述时序特征的加权和：
其中，vt为当前时刻的所述目标时序特征，为当前时刻第i个所述时序特征的解码权重系数，hi为第i个所述时序特征，T为所述时序特征的个数。
8.根据权利要求7所述的预测方法，其特征在于，所述利用所述目标时序特征更新所述LSTM网络的隐藏层状态，通过以下公式实现：
其中，为当前时刻所述LSTM网络的隐藏层状态，yt-1为上一时刻所述LSTM网络的隐藏层状态，vt-1为上一时刻的所述目标时序特征，/>均为可学习的网络参数。
9.根据权利要求1所述的预测方法，其特征在于，所述归一化处理和逆归一化处理是通过RevIN算法实现的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311513617.9A CN117494898A (zh) | 2023-11-14 | 2023-11-14 | 一种结合注意力机制的时间序列预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311513617.9A CN117494898A (zh) | 2023-11-14 | 2023-11-14 | 一种结合注意力机制的时间序列预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117494898A true CN117494898A (zh) | 2024-02-02 |
Family
ID=89684596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311513617.9A Pending CN117494898A (zh) | 2023-11-14 | 2023-11-14 | 一种结合注意力机制的时间序列预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117494898A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117931788A (zh) * | 2024-03-21 | 2024-04-26 | 松立控股集团股份有限公司 | 一种多相机图像数据去重和时序校正的方法 |
| CN117993963A (zh) * | 2024-04-03 | 2024-05-07 | 三峡电能有限公司 | 一种基于时空组态的多充电桩场站用电量预测方法 |
-
2023
- 2023-11-14 CN CN202311513617.9A patent/CN117494898A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117931788A (zh) * | 2024-03-21 | 2024-04-26 | 松立控股集团股份有限公司 | 一种多相机图像数据去重和时序校正的方法 |
| CN117931788B (zh) * | 2024-03-21 | 2024-05-28 | 松立控股集团股份有限公司 | 一种多相机图像数据去重和时序校正的方法 |
| CN117993963A (zh) * | 2024-04-03 | 2024-05-07 | 三峡电能有限公司 | 一种基于时空组态的多充电桩场站用电量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Remaining useful life prediction using a novel feature-attention-based end-to-end approach | |
| CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
| CN117494898A (zh) | 一种结合注意力机制的时间序列预测方法 | |
| CN114595874B (zh) | 一种基于动态神经网络的超短期电力负荷预测方法 | |
| CN114363195B (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
| CN113905391A (zh) | 集成学习网络流量预测方法、系统、设备、终端、介质 | |
| CN114493014A (zh) | 多元时间序列预测方法、系统及计算机产品、存储介质 | |
| CN112258262A (zh) | 一种基于卷积自注意力网络的会话推荐方法 | |
| CN115062272A (zh) | 一种水质监测数据异常识别及预警方法 | |
| CN116502774B (zh) | 一种基于时间序列分解和勒让德投影的时间序列预测方法 | |
| CN117094451B (zh) | 一种耗电量的预测方法、装置及终端 | |
| CN117175588A (zh) | 基于时空相关性的用电负荷预测方法及装置 | |
| CN112232604A (zh) | 基于Prophet模型提取网络流量的预测方法 | |
| CN115694985A (zh) | 基于tmb的混合网络流量攻击预测方法 | |
| CN112580848A (zh) | 一种基于pt-lstm的时间序列预测系统与方法 | |
| CN115510748A (zh) | 基于变分模态分解和cnn-gru的滑坡位移预测方法 | |
| CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
| CN113988415B (zh) | 一种中长期电力负荷预测方法 | |
| CN116934117B (zh) | 一种碳排放峰值预测方法及系统 | |
| CN116976490A (zh) | 一种基于最大化互信息熵改进的多变量时序预测方法 | |
| CN117371573A (zh) | 基于TrAdaBoost-LSTM的时间序列预测方法、装置及介质 | |
| CN116739168A (zh) | 一种基于灰色理论与编解码器的径流量预测方法 | |
| Xu et al. | Residual autoencoder-LSTM for city region vehicle emission pollution prediction | |
| CN117094431A (zh) | 一种多尺度熵门控的DWTformer气象数据时序预测方法及设备 | |
| CN114036947B (zh) | 一种半监督学习的小样本文本分类方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |