[發明專利]一種融合圖結構的時間序列預測建模方法

在審

• 申請號: 202011256308.4
• 申請日: 2020-11-11
• 公開（公告）號: CN112348269A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 任磊;張國峻
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 北京知匯林知識產權代理事務所(普通合伙) 11794
• 代理人: 楊華

本發明公開了一種融合圖結構的時間序列預測建模方法，其分為以下四步：數據處理階段、特征提取、特征融合以及模型預測；所述融合圖結構數據的時間序列預測方法使用到的數據類型主要有兩類：一種是時間序列本身的序列信息，記錄的是每個結點上的個體某個目標值隨著時間變化的序列；另一類是影響序列的事件信息，記錄的是個體在相應統計時間節點發生的事件信息，使用文本記錄時間序列上的事件；本發明實現了對于領域關系的建模方法研究，使用多維矩陣的方法來表示多種關聯關系，將數據信息和文本信息進行向量表征，接著利用圖卷積神經網絡在多個個體形成的復雜網絡中進行特征融合，有益效果是使用數據表示關聯關系從而達到利用關聯關系增加時間序列預測信息的多樣性，從而提升時間序列預測的效果。

技術領域

本發明涉及一種融合圖結構的時間序列預測建模方法，屬于時間序列預測技術領域。

背景技術

時間序列預測技術是依靠過去的一段序列預測將來產生的一段序列的技術研究方法， 具體來講，如果針對的預測對象是時間序列的數值，那么序列數值隨時間的變化會形成時 間序列。時間序列具體的方法主要有基于統計和自回歸的方法以及基于神經網絡方法的兩 大種類。其中基于統計的方法由于表征時間序列特征的能力有限，難以對時間序列變量中 的非線性關系進行模擬，機器學習方法的預測效果優于基于統計的方法。針對特定領域的 時間序列的極度不確定性，結合深度學習的相關模型方法，具有更強的模型適應能力、特 征融合能力、抗干擾能力，是未來時間序列預測發展的主要趨勢。

差分自回歸移動平均模型(ARIMA)的發展是基于過去的時間序列會對未來序列產生 影響，掌握歷史時間序列的規律就可以對未來進行預測。ARIMA模型是自回歸模型(AR)、移動平均模型(MA)、自回歸移動平均模型(ARMA)的復合形式，基于這種模型的時間序列 預測方法需要做時間序列的平穩性檢驗，如果時間序列不穩定，則需要通過取對數、差分 等方式使得時間序列平穩。

基于深度學習的時間序列預測方法的主要發展得益于循環神經網絡(RNN)對于序列信 息強大的建模能力，這種能力已經在多個領域的時間序列建模中得到證明。LSTM循環神 經網絡通過增加輸入門、遺忘門、輸出門的結構實現了對于時間序列長短結構的記憶，是 時間序列預測領域應用最為廣泛的神經網絡基礎模型。

時間序列反映了客觀世界的運行機制，在真實世界中的時間序列往往會受到多重因素 的影響，特別是特殊事件、以及序列之間的關聯關系。下面是結合除時序信息之外的時間 序列預測模型的發展。

由于自然語言處理技術的發展，使用文本事件輔助時間序列的預測成為了行之有效的 方法，特殊事件造成的連鎖反應可以通過對特定事件的新聞采集通過自然語言處理技術得 到量化的表示。文本事件的向量化表示方法主要的是向量詞嵌入的發展，列如Word2Vec 方法可以訓練大規模的詞向量，Fasttext網絡也可以用來進行文本的語義學習。

時間序列中的個體具有一定的因果聯系，在圖神經網絡技術出現之前，用來建模圖結 構特征的深度學習工具還不夠成熟。個體之間會有明顯的促進或者減弱的影響，而傳統的 深度學習模型并沒有這種結合圖關系數據的結構和特征。其核心的發展是圖卷積網絡(GCN) 在對于圖的結點分類以及鏈接預測中的強大圖數據建模能力，之后又產生了一系列相關的 圖神經網絡。