一种基于耦合关系学习的公共资源需求预测方法技术

本发明专利技术涉及一种基于耦合关系学习的公共资源需求预测方法，属于智慧城市、普适计算以及数据挖掘领域。首先对城市中分布式传感器所采集的感知数据进行处理，生成结构统一的高维数据表征；随后通过具有门控耦合机制的深度神经网络对不同数据之间复杂的耦合关系进行自动化学习；最终对多种耦合关系进行分层融合以实现多个城市资源时间序列的同步预测。本发明专利技术能够通过可视化耦合关系对模型提供可解释性，发掘不同区域资源序列之间的耦合关系，在优化资源分配、分析公众资源需求等智慧城市应用场景有着极其重要的意义。景有着极其重要的意义。景有着极其重要的意义。

【技术实现步骤摘要】
一种基于耦合关系学习的公共资源需求预测方法


[0001]本专利技术涉及智慧城市、普适计算以及数据挖掘领域，尤其涉及利用深度学习模型进行多变量时间序列建模预测的方法。

技术介绍

[0002]水电等公共资源对城市的社会、经济、工业以及农业等多个方面都至关重要，因此亟需一种有效的方法对其进行合理的监测和管理。现如今，城市不同区域广泛部署的分布式传感器可以通过监控周边公共资源的状态来生成大量的时间序列数据。如果能够对其进行有效的建模和准确的预测，将会使我们更好地了解公众对于城市公共资源的使用需求，进而提供对城市资源调度的决策支持，助力智慧城市的建设。
[0003]目前针对公共资源序列预测的方法主要分为两类：早期的方法假设不同传感器采集到的数据之间独立同分布，仅仅通过单变量时序预测模型对数据的自回归关系进行了建模，而忽略了序列之间广泛存在的耦合关系；近些年的研究则逐步开始考虑序列之间的依赖和影响，希望通过基于机器学习和深度学习的多变量时序预测模型建模不同时间序列数据之间的耦合关系。然而，现有的工作仍然具有一定的局限性。一方面，不同于机器、生物医学、金融领域的一般时间序列，公共资源时间序列受到人们日常生活行为的影响，往往展现出包括：多粒度时间依赖、动态演化、关系两极化等情况的更为复杂的关系。而现有的多变量时间序列预测方法(专利CN115099156A、CN115240425A和CN115169692A等)所考虑的关系较为简单，无法对上述复杂关系进行建模学习。另一方面，目前的工作尚未有针对城市公共资源数据的通用且自动化的建模方法，从数据的表征、建模到预测都需要依靠大量研究人员的先验知识和人工干预来完成。考虑到城市公共资源对社会经济等多方面的影响性，如何利用多个分布式传感器数据之间的内在关系进行建模并作出准确预测，通过自动学习序列数据的耦合关系为城市公用资源的配置优化提供合理的决策支持，对于提升城市管理和服务决策等智慧城市应用场景有着极其重要的意义。

技术实现思路

[0004]要解决的技术问题
[0005]针对现有时间序列预测方法不能够对数据之间多粒度时间依赖、动态演化、关系两极化等复杂依赖关系进行自动化建模学习的局限性，本专利技术提出了一种基于耦合关系学习的公共资源需求预测方法。
[0006]技术方案
[0007]一种基于耦合关系学习的公共资源需求预测方法，其特征在于步骤如下：
[0008]步骤1：城市的公共资源需求预测问题的描述与形式化定义；
[0009]步骤2：时序表征模块
[0010]对传感器采集到的原始时间序列数据进行分解和特征抽取，通过STL分解器获得序列数据中隐藏的趋势信息以便于后续门控耦合机制对于耦合关系的学习，随后通过时间
卷积网络提取多时间粒度下的特征，最终利用剪枝函数对不同时间粒度的特征向量进行裁剪以获得统一结构的时序表征张量；
[0011]步骤3：门控耦合机制
[0012]以时序表征模块生成的表征作为输入，通过计算余弦距离得到每组时间序列之间的相关性，依靠非线性的门控激活函数对计算获得的相关性张量进行过滤，过滤后的相关性张量与目标序列的时序表征张量相乘得到序列间耦合关系张量；
[0013]步骤4：双层融合机制
[0014]序列内耦合通过LSTM进行学习，序列间耦合门控耦合机制进行学习；在耦合关系融合阶段，首先对多种类型的序列间耦合进行融合，随后一次对每个目标序列的序列内、序列间耦合进行融合，其结果输入预测器以获得最终序列预测结果；
[0015]步骤5：在服务器上搭建深度神经网络模型，对原始数据集进行预处理，划分训练、测试样本对模型进行训练，设计网格搜索算法对模型自动化调参，使模型最终收敛以达到最优化的性能。
[0016]本专利技术进一步的技术方案：步骤1以多变量时间序列预测为基础研究问题，对公共资源需求的预测问题进行具体描述和形式化定义，所有涉及的概念和参数定义如下：
[0017]多变量资源时间序列：给定N个分布在不同城市区域的传感器，每个传感器分别记录每小时的读数并生成一个公共资源时间序列其中n∈{1,2,
…
,N}，t∈{1,2,
…
,T}；s
n
∈R
T
是第n个传感器的时间序列所对应的一维张量，是第n个传感器在t时刻的记录值，T是整个时间序列的长度；所有传感器的时间序列定义为多变量时间序列其中对于给定时间窗口大小h，目标时间序列在t时刻的时间片段则可以表示为简写为x
n
；
[0018]序列间耦合：目标序列与其余序列之间存在多个时间粒度的依赖，将这些细粒度的依赖关系定义为序列间耦合，α(n,m)＝[α1(n,m),α2(n,m),
…
,α
λ
(n,m)]表示一组耦合，其中λ是所有时间粒度耦合关系的数量；α
i
(n,m)是第n个和第m个序列片段在第i∈{1,2,
…
,λ}个时间粒度下的耦合关系，目标序列片段x
n
和整个多变量资源时间序列片段之间的耦合关系集可以表示为：
[0019][0020]序列内耦合：将B
n
定义为目标序列片段x
n
的序列内耦合；
[0021]问题定义：基于以上参数和概念的定义，对当前研究问题的定义如下：
[0022]公共资源需求预测问题旨在建立一个映射函数F
θ
，其中θ代表该函数的可学习参数；对于给定时间t，函数F将N个多变量资源时间序列片段作为输入：X＝[x1,x2,
…
,x
N
]T
，其中X∈R
N
×
h
是一个二维张量，h表示输入序列片段的时间窗口大小，输出表示相应的预测的N个序列片段；研究问题具体定义如下：
[0023][0024]本专利技术进一步的技术方案：步骤3中所述的门控激活函数表达为：
[0025]φ(
·
)＝tanh2(k
×
·
),k＞0,k∈R。
[0026]本专利技术进一步的技术方案：步骤3中所述的序列间耦合关系张量表达为：
[0027][0028]其中符号表示逐个元素的乘积运算，是经过门控函数过滤的相关关系，R
m
表示序列片段x
m
对应的λ个时间粒度上长度为τ的表示所组成的张量。
[0029]一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
[0030]一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
[0031]有益效果
[0032]本专利技术提供的一种基于耦合关系学习的公共资源需求预测方法，首先对城市中分布式传感本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于耦合关系学习的公共资源需求预测方法，其特征在于步骤如下：步骤1：城市的公共资源需求预测问题的描述与形式化定义；步骤2：时序表征模块对传感器采集到的原始时间序列数据进行分解和特征抽取，通过STL分解器获得序列数据中隐藏的趋势信息以便于后续门控耦合机制对于耦合关系的学习，随后通过时间卷积网络提取多时间粒度下的特征，最终利用剪枝函数对不同时间粒度的特征向量进行裁剪以获得统一结构的时序表征张量；步骤3：门控耦合机制以时序表征模块生成的表征作为输入，通过计算余弦距离得到每组时间序列之间的相关性，依靠非线性的门控激活函数对计算获得的相关性张量进行过滤，过滤后的相关性张量与目标序列的时序表征张量相乘得到序列间耦合关系张量；步骤4：双层融合机制序列内耦合通过LSTM进行学习，序列间耦合门控耦合机制进行学习；在耦合关系融合阶段，首先对多种类型的序列间耦合进行融合，随后一次对每个目标序列的序列内、序列间耦合进行融合，其结果输入预测器以获得最终序列预测结果；步骤5：在服务器上搭建深度神经网络模型，对原始数据集进行预处理，划分训练、测试样本对模型进行训练，设计网格搜索算法对模型自动化调参，使模型最终收敛以达到最优化的性能。2.根据权利要求1所述基于耦合关系学习的公共资源需求预测方法，其特征在于：步骤1以多变量时间序列预测为基础研究问题，对公共资源需求的预测问题进行具体描述和形式化定义，所有涉及的概念和参数定义如下：多变量资源时间序列：给定N个分布在不同城市区域的传感器，每个传感器分别记录每小时的读数并生成一个公共资源时间序列其中n∈{1,2,
…
,N}，t∈{1,2,
…
,T}；s
n
∈R
T
是第n个传感器的时间序列所对应的一维张量，是第n个传感器在t时刻的记录值，T是整个时间序列的长度；所有传感器的时间序列定义为多变量时间序列S＝[s1,s2,
…
,s
N
]
T
，其中对于给定时间窗口大小h，目标时间序列在t时刻的时间片段则可以表示为简写为x
n
；序列间耦合：目标序列与其余序列之间存在多个时间粒度的依赖，将这些细粒度的依赖关系定义为序列间耦合，α(n,m)＝[α1(n,m),α2(n,m),
…...

【专利技术属性】
技术研发人员：郭斌，任思源，李可，王倩茹，於志文，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：