[發明專利]一種時空數據預測建模方法

在審

• 申請號: 202310144232.3
• 申請日: 2023-02-21
• 公開（公告）號: CN116304683A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 劉宗波
• 申請（專利權）人: 劉宗波
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06N5/01;G06N7/01;G06N20/20
• 代理公司: 成都佳劃信知識產權代理有限公司 51266
• 代理人: 楚鴻艷

本發明公開了一種時空數據預測建模方法，S1：截取一段歷史時間內的時空源數據；S2：對時空源數據進行預處理，得到數據集；S3：數據集拆分為第一層數據集和第二層數據集；S4：將第一層數據集中的數據等量拆分，得到數據集A，將數據集A中的每個子集進行base模型訓練，得到集合B；S5：將第二層數據集中的數據等量拆分，得到數據集C，將數據集C中的每個子集進行base模型訓練，得到集合D；S6：將集合D融合成高階特征數據集并通過stacking模型訓練，得到stackm模型；S7：將集合B和stackm模型組成整體模型得到時空數據預測模型。在海量數據的基礎上，采用stacking實現數據驅動的時空數據預測建模，避免以往繁瑣的時空數據統計建模過程，提升時空數據建模的效率。

技術領域

本發明涉及數據處理技術領域，特別是一種時空數據預測建模方法。

背景技術

時空數據是同時具有時間和空間維度的數據，現實世界中的數據超80％與地理位置有關，，例如氣象監測數據、交通監控數據、區域災害數據等。隨著世界變得儀器化，時空數據比以往任何時候都更加普遍和豐富，而通過時空數據預測技術獲取時空數據中的復雜模式對時空數據研究應用來說也變得更加重要且緊迫。

隨著互聯網、傳感器等的普及，時空數據已經成為了大數據時代典型的數據類型，時空數據挖掘也隨之成為了數據挖掘領域的一個熱門方向。對時空數據進行挖掘有助于發現其中蘊含的時空模式，從而在當前數據上進行推斷，以根據已知特征的值來預測目標特征的值。

近年來，深度學習技術快速發展，時空數據預測領域的深度學習模型也得以提出，包括ConvLSTM、DeepST等模型。這些技術的發展使得某些領域(如氣象降雨)時空數據預測的性能得到較大提升。但深度學習通常依賴于大規模的可用數據，在氣象、交通等領域具有較大的前景。但深度網絡往往是“黑箱”、且建模時間、空間復雜度較大，并且需要海量的訓練樣本，對時空數據中的不確定性表達能力弱。

發明內容

本發明的目的在于克服現有技術的缺點，提供一種時空數據預測建模方法。

本發明的目的通過以下技術方案來實現：一種時空數據預測建模方法，包括以下步驟：

S1：根據預測任務的需求，截取一段歷史時間內的時空源數據；

S2：對獲取的時空源數據進行預處理，得到數據集作為樣本；

S3：將數據集拆分為第一層數據集Data₁和第二層數據集Data₂；

S4：將第一層數據集Data₁中的數據等量拆分成n份，得到數據集{data₁₁,data₁₂,…,data_1n}，將數據集{data₁₁,data₁₂,…,data_1n}中的每個子集data_1i(i∈[1,n])為訓練樣本進行base模型的訓練，得到base模型集合{basem₁,basem₂,…,basem_n}；

S5：將第二層數據集Data₂中的數據等量拆分成m份，得到數據集{data₂₁,data₂₂,…,data_2m｝，將數據集｛data₂₁,data₂₂,…,data_2m}中的每個子集data_2l(l∈[1,m])為訓練樣本進行base模型的訓練，得到base模型集合{pred₁,pred₂,…,pred_m｝；