[发明专利]基于多层树状长短期记忆网络的大规模数据时空预测方法

权利要求书

1.一种基于多层树状长短期记忆网络的大规模数据时空预测方法，其特征在于，首先对原始城市规模感知数据进行归一化、线性插值法填补缺失的数据预处理；然后通过对同一位置数据的信息熵、不同位置数据的互信息和冗余度数据分析，获取感知数据时间和空间相关性，从而确定每个地点上的数据自身的时间周期性以及任一地点数据和其余哪些位置数据在空间上最具相关性；再利用多通道奇异谱分析算法对短期数据进行重构，生成训练集用于训练基于深度学习的预测模型；在在线预测阶段，对预处理后的大规模城市感知数据，利用训练好的预测模型实现预测。

2.根据权利要求1所述的基于多层树状长短期记忆网络的大规模数据时空预测方法，其特征是，所述的原始城市规模感知数据是指：智慧城市应用中产生的多个位置上的时间序列数据。

3.根据权利要求1所述的基于多层树状长短期记忆网络的大规模数据时空预测方法，其特征是，所述的时间和空间相关性是指：对于序列数据X＝(v₀，v₁，...v_N-1)，其n个时间单位之前的数据Y_n＝(v_0-n，v₁-n，...v_N-1-n)，两者之间的时间相关性条件熵计算：H(X|Y_n)＝H(Y_n，X)-H(X)，其中：对于数据X和Y_n构成的序列对，经过离散化后，P(y_n，x)是离散化的序列W中(y_n，x)出现的次数，对于数据(v₀，v₁，...v_N-1)，将v_i的连续值离散成Q个不相交的子区间，故原数据同于(k₀，k₁，…k_N-1)，k_i∈[0，Q-1]，s_j为离散值中j的出现次数，j∈[0，Q-1]，X是的j概率为

4.根据权利要求1所述的基于多层树状长短期记忆网络的大规模数据时空预测方法，其特征是，对于空间相关性，让和分别为在位置l₁和l₂的数据，计算和的相互信息其中：和的冗余度衡量空间相关性：对于每一个位置的数据，计算其与其余所有位置的数据的冗余度，冗余度越高则说明两个位置的数据的空间相关性越高。

5.根据权利要求1所述的基于多层树状长短期记忆网络的大规模数据时空预测方法，其特征是，所述的多通道奇异谱分析算法是指：用为在位置l_i和时间t测量的数据的值，i∈{1，2，...，L}，t∈{1，2，...，N}，L是位置的总数，N是测量数据的总数；所有数据的数据都被滞后并嵌入到一个矩阵中，该矩阵的窗口长为M：其中：X是一个行数为L*M，列数为N-M+1的矩阵，其自协方差矩阵C_X＝XX^T是一个L*M的分块Toeplitz矩阵：其中：矩阵C_ij为从l_i和l_j位置收集的数据之间的滞后协方差矩阵；然后计算C_X的特征值λ_K和特征向量P_K，剔除较小的特征值对应的特征向量反映噪声，矩阵X的第t列X_t在P_K上的正交投影系数为：其中：1≤t≤T-M+1，为第k个特征向量在位置l_i的分量，时间滞后为j，反映数据的空间和时间变化，P_k为时间空间经验正交函数(ST-EOF)；a_t，k为在X_t上的权重，被称为第k个时间空间主成分(ST-PC)；重构数据需要ST-EOF和ST-PC的共同参与；当第k个特征向量重构时，得到去除原始数据中的噪声选择前k个主成分重建数据：在数据重建过程中，对于每个位置，选择数据相应的时间周期作为窗长M，且只选择与当前位置有高冗余度的最相关的位置形成矩阵X。