[发明专利]使用复值矢量自回归的多步提前预测在审
| 申请号： | 201910958922.6 | 申请日： | 2019-10-10 |
| 公开（公告）号： | CN111046338A | 公开（公告）日： | 2020-04-21 |
| 发明（设计）人： | 梶野洸 | 申请（专利权）人： | 国际商业机器公司 |
| 主分类号： | G06F17/18 | 分类号： | G06F17/18 |
| 代理公司： | 北京市中咨律师事务所 11247 | 代理人： | 刘都;于静 |
| 地址： | 美国*** | 国省代码： | 暂无信息 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 使用 矢量 回归 提前 预测 | ||
1.一种用于多步提前预测的计算机实现的方法，包括：
由处理器设备配置矢量自回归(VAR)模型以基于先前的观测来生成多步提前预测，其中，所述先前的观测是预测器，并且所述多步提前预测是对所述预测器的响应；以及
由所述处理器设备使用复值权重参数训练所述VAR模型，以避免与发散和收敛到零的任一个相关的训练结果。
2.根据权利要求1所述的计算机实现的方法，其中，所述多步提前预测进一步基于多步累积误差来生成。
3.根据权利要求1所述的计算机实现的方法，其中，所述训练步骤包括使用多步累积误差作为所述VAR模型的目标函数来学习所述VAR模型。
4.根据权利要求3所述的计算机实现的方法，其中，所述多步累积误差累积在多个时间步上的所述VAR模型的至少一个变量的误差。
5.根据权利要求3所述的计算机实现的方法，其中，所述学习步骤将所述复值权重参数更新为所述多步累积误差的负梯度。
6.根据权利要求1所述的计算机实现的方法，其中，所述VAR模型的输出取自所述VAR模型的复值输出的实部，同时忽略来自所述VAR模型的所述复值输出的虚部。
7.根据权利要求1所述的计算机实现的方法，进一步包括：执行推理步骤以基于一组先前的观测，通过仅提取所述多步提前预测的实部而没有虚部来生成所述多步提前预测的最终版本。
8.根据权利要求1所述的计算机实现的方法，进一步包括：响应于所述多步提前预测，控制装配线机器的操作以避免即将发生的预测故障。
9.根据权利要求1所述的计算机实现的方法，其中，使用具有带有虚数项的复值权重参数的损失函数来训练所述VAR模型。
10.根据权利要求1所述的计算机实现的方法，其中，每个所述预测器包括相应的实部和相应的虚部，并且其中，所述多步提前预测仅基于所述预测器的所述相应的实部。
11.一种用于多步提前预测的计算机程序产品，所述计算机程序产品包括非暂态计算机可读存储介质，所述非暂态计算机可读存储介质具有其所包含的程序指令，所述程序指令能够由计算机执行以使所述计算机执行包括以下的方法：
由处理器设备配置矢量自回归(VAR)模型以基于先前的观测来生成多步提前预测，其中，所述先前的观测是预测器，并且所述多步提前预测是对所述预测器的响应；以及
由所述处理器设备使用复值权重参数训练所述VAR模型，以避免与发散和收敛到零的任一个相关的训练结果。
12.根据权利要求11所述的计算机程序产品，其中，所述多步提前预测进一步基于多步累积误差来生成。
13.根据权利要求11所述的计算机程序产品，其中，所述训练步骤包括使用多步累积误差作为所述VAR模型的目标函数来学习所述VAR模型。
14.根据权利要求13所述的计算机程序产品，其中，所述多步累积误差累积在多个时间步上的所述VAR模型的至少一个变量的误差。
15.根据权利要求13所述的计算机程序产品，其中，所述学习步骤将所述复值权重参数更新为所述多步累积误差的负梯度。
16.根据权利要求11所述的计算机程序产品，其中，所述VAR模型的输出取自所述VAR模型的复值输出的实部，同时忽略来自所述VAR模型的所述复值输出的虚部。
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国际商业机器公司，未经国际商业机器公司许可，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/pat/books/201910958922.6/1.html，转载请声明来源钻瓜专利网。
