【技术实现步骤摘要】
本专利技术属于多变量时间序列分析领域，具体涉及一种基于协同图的多变量时间序列预测方法。
技术介绍
1、现代社会从广泛的传感器中受益，以记录温度，价格，交通速度，用电量以及许多其他形式的数据的变化。来自不同传感器的记录时间序列可以形成多元时间序列数据，并且可以相互联系。例如，每日温度的升高可能会导致用电量增加。为了捕获一组动态变化的变量的系统趋势，已经研究了至少六十年的多变量时间序列预测问题。它在经济学，金融，生物信息学和流量的领域中看到了巨大的应用。
2、时间序列预测涉及通过分析过去的观测数据推断未来趋势和模式。准确预测时间序列在各个社会领域的决策和规划中起着至关重要的作用。多元时间序列预测是时间序列预测中的一个重要子任务，它关注多个变量随时间的演变和相互关系，这使得预测未来趋势变得更具挑战性。
3、在早期，传统的统计方法(如向量自回归和高斯过程)广泛应用于多变量时间序列任务，这些方法依赖于预定义的假设来捕捉时间点间的线性依赖关系。然而，这些方法在处理非线性和非平稳依赖关系时表现不足。随着深度神经网络的发展，诸如卷积神经网络(cnn)、循环神经网络(rnn)以及基于全局注意机制的transformer模型开始被应用于多变量时间序列预测任务，这些模型在识别长时间依赖关系方面表现出色，但往往忽略了空间信息对预测结果的影响。
4、近期，图神经网络(gnn)因其对多变量间空间关系的建模能力，在多变量时间序列任务中得到了广泛关注。现有方法通常依赖预定义或自适应学习的邻接矩阵来捕捉空间依赖关系，尽管这些方
技术实现思路
1、为了克服这个问题，我们提出了一种基于协同图的多变量时间序列预测方法，该方法建模和学习多变量时序数据多阶空间关系。
2、首先，通过多尺度特征提取网络对多元时间序列进行处理，生成不同尺度下的特征表示矩阵。其次，利用协同的图结构和超图结构捕捉变量之间的多层次关系模式，生成多尺度图结构和超图结构表示。然后，通过图卷积网络(gcn)和超图卷积网络(hgcn)学习空间和时间上的依赖关系，得到多尺度的时空依赖。最后，对各尺度下的特征依赖矩阵进行融合，通过多层感知器和卷积神经网络生成最终的预测结果。
3、在四个基准数据集上进行的实验结果表明，我们所提出的模型达到了最先进的性能。此外，消融实验表明，使用协同的图和超图提高了多变量时间序列特征挖掘的能力，以及性能提升的鲁棒性。
4、本专利技术提供了一种基于协同图的多变量时间序列预测方法，包括以下步骤：
5、步骤1.初始化mts的多尺度特征表示，对输入的mts数据进行时间维度的卷积操作，分别使用两种卷积网络提取每个尺度的特征表示，最后将两种网络的输出特征进行加和，得到每个尺度的多尺度特征表示矩阵，mts为多元时间序列；
6、步骤2.将步骤1中得到的多尺度特征表示矩阵输入到协同关系构建模块，通过图结构和超图结构捕捉变量之间的多层次关系模式，基于静态和动态的邻接矩阵，构建变量之间的低阶点对点关系；利用随机初始化的超边嵌入矩阵生成多尺度的关联矩阵，捕捉高阶的非点对点关系模式，得到多尺度的图结构和超图结构表示；
7、步骤3.将步骤2中得到的多尺度图结构和超图结构表示输入到协同关系学习模块，通过图卷积网络和超图卷积网络学习空间和时间上的依赖关系；
8、首先，利用双向图卷积网络，学习节点的入射和出射信息，获得空间上的依赖关系；
9、然后，设计双层属性增强超图卷积网络，实现节点与属性层之间的交互学习，增强多层次的空间依赖特征关联；
10、最后，将图卷积网络和超图卷积网络的输出相加，并结合时间卷积网络，学习时空依赖关系，得到多尺度下时空特征表示；
11、步骤4.将步骤3中得到的多尺度时空特征表示进行融合与输出，使用多层感知器和卷积神经网络将其转换为所需的输出维度，生成最终的预测结果。
12、上述技术方案中，步骤1的具体过程为：
13、步骤1-1.给定一系列观察到的时间序列信号x＝{x1，x2，…，xt}，其中表示在时间步长为t时刻的值，n代表这一时刻变量的个数；
14、首先，原始多元时间序列输入在时间维度中经历顺序图卷积网络操作，每一层生成多个尺度的特征表示，第k个尺度的特征表示定义为n代表这一时刻变量的个数，是第k维的序列长度，fk是第k个尺度的特征维度；
15、步骤1-2.使用两个并行的卷积网络来添加尺度的特征，
16、其中一个网络在每一层使用内核大小1x7、1x6和1x3，步幅设置为2；
17、另一个网络使用内核大小1x1和一个1x2的池化层，是不同的卷积核，、是偏置项，形式上为：
18、
19、
20、步骤1-3.最后，将两种网络的输出特征进行加和，得到每个尺度的多尺度特征表示矩阵xk：
21、
22、上述技术方案中，步骤2的具体过程为：
23、步骤2-1.将步骤1得到的每一个尺度的多尺度特征表示矩阵xk输入到图结构构建模块，得到表示多尺度图结构的多尺度的邻接矩阵，
24、首先，采用了以参数驱动的方式学习的静态图来获取节点间距离关系，公式如下：
25、
26、
27、其中，表示在第k个尺度下随机初始化的节点嵌入，和均是训练参数，tanh和relu是激活函数，静态表示和用于得到邻接矩阵该矩阵表示第k个尺度的静态低阶点对点关系；
28、然后，通过数据驱动的策略，以学习动态的低阶点对点关系，将数据本身视为每个时间步的动态特征，并使用多层感知器将原始mts数据映射成动态特征将uk与动态表示和合并，从而在第k个尺度上学习动态邻接矩阵
29、
30、
31、
32、最后，通过结合静态和动态邻接矩阵，推导了在第k个尺度上最终的邻接矩阵ak，有效地捕捉了静态和动态点对点关系模式，得到多尺度邻接矩阵集
33、步骤2-2.将步骤1得到的每一个尺度的多尺度特征表示矩阵xk输入到超图结构，构建模块，得到表示多尺度超图结构的多尺度的关联矩阵；
34、首先，随机初始化第k个尺度的超边并与参数相乘得到第k个尺度的超边嵌入然后，将参数与的转置相乘得到第k个尺度的关联矩阵其中n代表变量的个数，k则代表超边的个数，第k个尺度的关联矩阵可以表示为：
35、
36、
本文档来自技高网...【技术保护点】
1.一种基于协同图的多变量时间序列预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于协同图的多变量时间序列预测方法，其特征在于，步骤1的具体过程为：
3.根据权利要求2所述的基于协同图的多变量时间序列预测方法，其特征在于，步骤2的具体过程为：
4.根据权利要求3所述的基于协同图的多变量时间序列预测方法，其特征在于，步骤3的具体过程为：
5.根据权利要求1中所述的基于协同图的多变量时间序列预测方法，其特征在于，步骤4的具体过程为：
【技术特征摘要】
1.一种基于协同图的多变量时间序列预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于协同图的多变量时间序列预测方法，其特征在于，步骤1的具体过程为：
3.根据权利要求2所述的基于协同图的多变量时间序列预测方法...
【专利技术属性】
技术研发人员：刘峤，谢炀，蓝天，黄燕文，侯睿，代婷婷，李昌霖，刘瑶，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。