[发明专利]基于神经网络的混合时间周期模式多变量时序预测方法

权利要求书

1.一种基于神经网络的混合时间周期模式多变量时序预测方法，其特征在于包括，

采用编码器对混合周期原始输入数据进行特征提取，经编码器包括的多个卷积长短期记忆网络单元、编码全连接层和向量合并单元的特征提取后，获得长度为短周期长度+3的未来时序数据特征；

再由解码器对混合周期原始输入数据和未来时序数据特征进行处理，经解码器的多个双向长短期记忆网络单元、融合注意力机制、解码全连接层、自回归模型和综合预测单元数据处理后，获得最终时间序列预测值。

2.根据权利要求1所述的基于神经网络的混合时间周期模式多变量时序预测方法，其特征在于，所述多个卷积长短期记忆网络单元包括P个一号卷积长短期记忆网络单元和P+1个二号卷积长短期记忆网络单元；P为混合周期原始输入数据中长周期的数据长度；

所述编码器对混合周期原始输入数据进行特征提取的具体方法包括：

对每个一号卷积长短期记忆网络单元输入一组混合周期原始输入数据，一号卷积长短期记忆网络单元通过卷积算子捕获对应组混合周期原始输入数据中的时间特征，并通过循环算子依次捕获相邻组混合周期原始输入数据之间的变化特征，最后得到一组与混合周期原始输入数据等长的未来第一周期时序数据；

由每组混合周期原始输入数据中提取前三个时间点数据，传送至前P个二号卷积长短期记忆网络单元；以及由未来第一周期时序数据中提取前三个时间点数据经全连接层匹配特征维度后传送至第P+1个二号卷积长短期记忆网络单元；P+1个二号卷积长短期记忆网络单元通过循环算子依次捕获相邻输入数据的变化特征，得到未来第二周期前三个时间点时序数据；

采用向量合并单元对未来第一周期时序数据和未来第二周期前三个时间点时序数据进行向量合并，得到长度为短周期长度+3的未来时序数据特征。

3.根据权利要求2所述的基于神经网络的混合时间周期模式多变量时序预测方法，其特征在于，解码器对混合周期原始输入数据和未来时序数据特征进行处理的具体方法包括：

将长度为短周期长度+3的未来时序数据特征对应输入到多个双向长短期记忆网络单元中，对长度为短周期长度+3的未来时序数据特征作前后双向信息融合，获得长度为短周期长度+3的融合数据；

由长度为短周期长度+3的融合数据中提取目标时间点数据以及目标时间点相邻下一时间点数据，与长度为短周期长度+3的融合数据一并输入到融合注意力机制中处理预测延迟，获得融合后目标时间点预测值；将融合后目标时间点预测值经解码全连接层进行维度处理后，获得目标时间点基础预测值；

提取混合周期原始输入数据中对应目标时间点的数据，输入到自回归模型中，进行自适应加权相加，得到目标时间点自回归预测值；

将目标时间点基础预测值和和目标时间点自回归预测值经综合预测单元进行相加操作，得到最终时间序列预测值。

4.根据权利要求1所述的基于神经网络的混合时间周期模式多变量时序预测方法，其特征在于，每组混合周期原始输入数据由周期内部的多个连续时间点数据组成。

5.根据权利要求3所述的基于神经网络的混合时间周期模式多变量时序预测方法，其特征在于，

所述混合周期原始输入数据为连接七天的七组交通数据，每组交通数据中包括24小时的观察数据。