基于分段图卷积和时间注意力机制的天然气流量预测方法技术

本发明专利技术公开了一种基于分段图卷积和时间注意力机制的天然气流量预测方法。该方法的设计了一种基于分段图卷积和时间注意力机制的多元时间序列预测模型，模型的分段图卷积层基于余弦相似度构建分段图结构，通过分段图卷积提取成对变量之间变化的序列间相关性，模型的时间膨胀卷积层提取序列内部的时间特征并对序列进行降维，模型的输出部分设计了一个基于两阶段注意机制的时序模式增强模块，用于聚合序列内时序模式。利用训练后的该多元时间序列预测模型，可实现对燃气时间序列未来某个时间步的预测，且具有较高的预测精度。且具有较高的预测精度。且具有较高的预测精度。

【技术实现步骤摘要】
基于分段图卷积和时间注意力机制的天然气流量预测方法


[0001]本专利技术涉及时序数据预测领域，尤其涉及一种基于分段图卷积和时间注意力机制的天然气流量预测方法。

技术介绍

[0002]天然气是现代社会不可或缺的重要能源，广泛用于家庭、工业、商业和交通等领域。为了能源市场供需平衡
‑
预测天然气用量有助于平衡天然气市场的供应和需求。准确预测其用量可以为天然气供应商、管道运营商和市场决策者提供有效的参考信息，以平衡天然气供需市场。同时通过准确预测天然气用量，天然气供应商也可以更好地规划天然气调度计划、采购计划，提高配置效率。因此，总体而言，为有效管理和分配天然气资源，对精准预测气量的需求越来越强烈。
[0003]在目前的天然气行业中，燃气公司将天然气通过城市燃气管道输送到各用气点，部署在用气点的工商业燃气流量计等仪表可自动采集天然气使用的相关数据，并通过物联网技术定时上传到燃气公司的数据库中。因此，这些由不同传感器记录的时间序列数据，为天然气的用量预测奠定了数据基础。
[0004]天然气用量的时序数据是一种典型由多传感器同步的多元时间序列数据，现有技术在进行多元时间序列预测时，需要同时对序列间相关性和序列内部的特征进行建模。传统的基于统计的方法，如VAR和GP，只能挖掘多元实现序列的各变量存在线性关系。目前基于递归神经网络和卷积神经网络的方法，如LSTNet和TPA
‑
LSTM，能够处理单序列在时间维度上的规律，对多元时间序列的所有变量同时做出预测，但提取成对变量的关联信息的能力有限。受到用图神经网络建模道路交通的相关性启发，部分现有技术将多元时间序列各变量作为图中的节点，利用图结构学习模块学习时间序列之间的图结构，再利用图卷积网络提取变量之间的关联信息。尽管将图神经网络扩展到多元时间序列预测已经被证明是有效的，但是在多元时间序列预测问题中仍然存在一些挑战：
[0005]其一是如何建模时间序列之间隐式且随时间演变的关联性。在现实场景中，天然气的计量设备之间不像交通道路那样在物理上自然地相互关联，即不存在预定义的拓扑关系。相反，它们遵循一种隐式的、取决于设备或用户的模式，这极大地增加了提取序列间关联信息的难度。虽然引入图结构可以表征序列间的相关性，但这种相关性并不是一成不变的，而是会随时间推移而演变。
[0006]其二是如何提取多元时间序列之中类型众多且可能不连续的天然气时序规律。天然气的多元时间序列数据来自不同的设备，这意味着由不同用户产生的不同类型的规律并行存在。一些工业工厂的天然气使用集中在工作时间，而餐馆的用气高峰时间则分布在三餐时间。类型多样且变化不连续的复杂天然气用量时序规律会大大提升模型预测的难度。
[0007]因此，如何解决上述天然气用量预测过程中存在的难题，提高天然气用量预测的准确性，是目前亟待解决的技术问题。

技术实现思路

[0008]为了克服上述现有技术的不足，提高天然气用量预测的准确性，本专利技术提供一种基于分段图卷积和时间注意力机制的天然气流量预测方法，可有效解决上述问题。
[0009]本专利技术具体采用的技术方案如下：
[0010]一种基于分段图卷积和时间注意力机制的天然气流量预测方法，其包括以下步骤：
[0011]S1、针对用户需要监控的各个目标流量传感器，获取由各个目标流量传感器记录的天然气流量历史时间序列，对各序列进行归一化后再使用固定长度的时间窗口在序列上进行滑动提取，生成带标签的训练样本并构建训练样本集合；每个训练样本的输入为各目标流量传感器在一个时间窗口内的天然气流量数据组成的多元时间序列段，标签为该时间窗口后指定时间步上各目标流量传感器的记录值；所有带标签的训练样本构成训练样本集合；
[0012]S2、利用S1中得到的训练样本集合，对基于分段图卷积和时间注意力机制的多元时间序列预测模型进行模型训练，直到模型收敛，使其能够预测输入数据所在时间窗口后指定时间步上各目标流量传感器的记录值；
[0013]所述基于分段图卷积和时间注意力机制的多元时间序列预测模型包括一个分段图卷积模块、一个时间膨胀卷积模块和一个时间信息增强模块，模型的输入为多元时间序列段；所述分段图卷积模块将输入的多元时间序列段按照时间维度进行分段，根据段内序列间的余弦相似度构建分段邻接矩阵，再进行多层分段图卷积，提取序列间的相关性，得到第一输出信号；所述时间膨胀卷积模块将分段图卷积模块输出的第一输出信号输入多层堆叠的带有膨胀卷积的门限控制单元中，进一步提取每条序列内的特征并降维，得到第二输出信号；所述时间信息增强模块将输入的多元时间序列段输入到LSTM网络，对LSTM网络各隐藏步的信号按照时间进行分组，并对各组应用注意力机制提取分段上下文向量，然后在分段上下文向量上继续应用注意力机制生成时间上下文向量，最后将时间上下文向量与LSTM网络隐藏层的最后一个信号进行拼接，并将拼接结果经过一层全连接层，得到第三输出信号；最后将第二输出信号和第三输出信号相加，经过反归一化后得到多元时间序列预测模型的最终预测输出；
[0014]S3、在实际预测时，从各目标流量传感器记录数据中获取当前最近一个时间窗口内的天然气流量数据并构成实时多元时间序列段，将实时多元时间序列段归一化后输入经过训练的所述多元时间序列预测模型中，预测未来指定时间步时各目标流量传感器对应的天然气流量值。
[0015]作为优选，所述S1具体包括以下子步骤：
[0016]S11、获取用户需要监控的N个目标流量传感器记录的天然气流量历史时间序列每条天然气流量历史时间序列以各自的最大值作为标度值归一化，形成归一化时间序列由所有归一化时间序列组成多元时间序列
[0017]S12、以固定长度W的时间窗口在多元时间序列上按照预设步长s进行滑动，滑动过程中每个时间窗口从多元时间序列中提取窗口内的多元时间序列段X∈R
{N
×
W}
，并以多元时间序列上位于时间窗口后第h个时间步处的值Y∈R
{N}
作为模型的回归标签，生成模型
的训练数据集，数据集中每个样本表示为{X∈R
{N
×
W}
,Y∈R
{N}
}。
[0018]作为优选，所述S2中，基于分段图卷积和时间注意力机制的多元时间序列预测模型中的具体处理过程如下：
[0019]S21、将输入模型的多元时间序列段X输入分段图卷积模块中，首先根据预设的分段数量超参数P，对输入的多元时间序列段X在时间维度上平均分割为P段，每一分段表示为X
k
∈R
{N
×
S}
，S＝W/P；
[0020]然后以分段X
k
内的各目标流量传感器对应的序列为节点，使用余弦相似度来计算分段X
k
内节点的邻接度，得到分段X
k
对应的图邻接矩阵A
′
k
∈R
{N
×
N本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分段图卷积和时间注意力机制的天然气流量预测方法，其特征在于，包括以下步骤：S1、针对用户需要监控的各个目标流量传感器，获取由各个目标流量传感器记录的天然气流量历史时间序列，对各序列进行归一化后再使用固定长度的时间窗口在序列上进行滑动提取，生成带标签的训练样本并构建训练样本集合；每个训练样本的输入为各目标流量传感器在一个时间窗口内的天然气流量数据组成的多元时间序列段，标签为该时间窗口后指定时间步上各目标流量传感器的记录值；所有带标签的训练样本构成训练样本集合；S2、利用S1中得到的训练样本集合，对基于分段图卷积和时间注意力机制的多元时间序列预测模型进行模型训练，直到模型收敛，使其能够预测输入数据所在时间窗口后指定时间步上各目标流量传感器的记录值；所述基于分段图卷积和时间注意力机制的多元时间序列预测模型包括一个分段图卷积模块、一个时间膨胀卷积模块和一个时间信息增强模块，模型的输入为多元时间序列段；所述分段图卷积模块将输入的多元时间序列段按照时间维度进行分段，根据段内序列间的余弦相似度构建分段邻接矩阵，再进行多层分段图卷积，提取序列间的相关性，得到第一输出信号；所述时间膨胀卷积模块将分段图卷积模块输出的第一输出信号输入多层堆叠的带有膨胀卷积的门限控制单元中，进一步提取每条序列内的特征并降维，得到第二输出信号；所述时间信息增强模块将输入的多元时间序列段输入到LSTM网络，对LSTM网络各隐藏步的信号按照时间进行分组，并对各组应用注意力机制提取分段上下文向量，然后在分段上下文向量上继续应用注意力机制生成时间上下文向量，最后将时间上下文向量与LSTM网络隐藏层的最后一个信号进行拼接，并将拼接结果经过一层全连接层，得到第三输出信号；最后将第二输出信号和第三输出信号相加，经过反归一化后得到多元时间序列预测模型的最终预测输出；S3、在实际预测时，从各目标流量传感器记录数据中获取当前最近一个时间窗口内的天然气流量数据并构成实时多元时间序列段，将实时多元时间序列段归一化后输入经过训练的所述多元时间序列预测模型中，预测未来指定时间步时各目标流量传感器对应的天然气流量值。2.如权利要求1所述的基于分段图卷积和时间注意力机制的天然气流量预测方法，其特征在于，所述S1具体包括以下子步骤：S11、获取用户需要监控的N个目标流量传感器记录的天然气流量历史时间序列每条天然气流量历史时间序列以各自的最大值作为标度值归一化，形成归一化时间序列由所有归一化时间序列组成多元时间序列S12、以固定长度W的时间窗口在多元时间序列上按照预设步长s进行滑动，滑动过程中每个时间窗口从多元时间序列中提取窗口内的多元时间序列段X∈R
{N
×
W}
，并以多元时间序列上位于时间窗口后第h个时间步处的值Y∈R
{N}
作为模型的回归标签，生成模型的训练数据集，数据集中每个样本表示为{X∈R
{N
×
W}
,Y∈R
{N}
}。3.如权利要求1所述的基于分段图卷积和时间注意力机制的天然气流量预测方法，其特征在于，所述S2中，基于分段图卷积和时间注意力机制的多元时间序列预测模型中的具
体处理过程如下：S21、将输入模型的多元时间序列段X输入分段图卷积模块中，首先根据预设的分段数量超参数P，对输入的多元时间序列段X在时间维度上平均分割为P段，每一分段表示为X
k
∈R
{N
×
S}
，S＝W/P；然后以分段X
k
内的各目标流量传感器对应的序列为节点，使用余弦相似度来计算分段X
k
内节点的邻接度，得到分段X
k
对应的图邻接矩阵A
′
k
∈R
{N
×
N}
，A
′
k
中任意节点i和节点j在同一分段X
k
中连接边的强度表示为：式中：X
k,i
和X
k,j
分别代表分段X
k
内的第i个和第j个目标流量传感器对应的序列；再使用Softmax函数对所述图邻接矩阵A
′
k
按照行进行归一化，形成归一化后的图邻接矩阵A
k
，其中A
k
中与A
′
k,i,j
对应的邻接度A
k,i,j
计算式为：最后对每一个分段X
k
，根据得到的分段邻接矩阵A
k
通过图卷积网络进行总共G层图卷积计算，输出最终图卷积结果H
(G)
；且图卷积网络中第l层的图卷积过程表示如下：其中D
k
为邻接矩阵A
k
的度矩阵，为可训练参数矩阵，是前一个图卷积层的最终输出经过分解后的第k个分段；l＝1,2,
…
,G，图卷积网络将第l层图卷积得到的分段卷积结果在时间维度上进行重组拼接，得到第l层图卷积的输出：图卷积网络将第l层图卷积结果与原始输入的多元时间序列段X进行残差连接，得到第l层...

【专利技术属性】
技术研发人员：孙笑笑，叶春毅，李中阳，黄博祎，俞东进，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：