【技術實現(xiàn)步驟摘要】
本申請涉及數(shù)據(jù)處理，尤其涉及特征提取模型訓練、時間序列數(shù)據(jù)預測方法、裝置及設備。
技術介紹
1、在天然氣行業(yè)，準確預測需求對于能源分配、供應鏈管理和價格穩(wěn)定至關重要。然而，天然氣消費數(shù)據(jù)具有明顯的多尺度特性，這意味著它在不同的時間尺度上展現(xiàn)出不同的特征，如日內(nèi)波動、季節(jié)性趨勢和長期變化。這些多尺度特征的復雜性使得傳統(tǒng)的時間序列特征提取方法難以準確捕捉所有相關的時間動態(tài)的特征，從而導致后續(xù)基于提取到的特征進行預測的精度不足。
2、因此，如何提高時間序列數(shù)據(jù)的特征提取的準確率成為亟待解決的問題。
技術實現(xiàn)思路
1、本申請實施例提供了一種特征提取模型訓練、時間序列數(shù)據(jù)預測方法、裝置及設備，用以解決現(xiàn)有技術中對于時間序列數(shù)據(jù)無法準確進行特征提取的問題。
2、第一方面，本申請?zhí)峁┝艘环N特征提取模型的訓練方法，初始特征提取模型包括第一編碼器、第二編碼器和解碼器，所述方法包括：
3、對獲取的樣本時間序列數(shù)據(jù)進行掩碼處理，得到掩碼后的掩碼時間序列數(shù)據(jù)，以及被掩碼部分的原始數(shù)據(jù)；
4、將所述掩碼時間序列數(shù)據(jù)輸入到所述第一編碼器，所述第一編碼器進行預先配置的第一次數(shù)的第一特征提取，得到每次第一特征提取對應的第一特征矩陣，其中，每次第一特征提取的特征提取策略不同；
5、將所述原始數(shù)據(jù)輸入到所述第二編碼器，所述第二編碼器進行所述第一次數(shù)的第二特征提取，得到每次第二特征提取對應的第二特征矩陣，其中，每次第二特征提取的特征提取策略不同；
7、根據(jù)每次第一特征提取對應的所述預測特征矩陣與該次對應的第二特征提取對應的所述第二特征矩陣之間的偏差，確定目標損失值，并基于所述目標損失值對所述初始特征提取模型的參數(shù)進行調(diào)整，將參數(shù)調(diào)整后的第一編碼器確定為所述特征提取模型。
8、進一步地，所述第一編碼器進行預先配置的第一次數(shù)的第一特征提取，得到每次第一特征提取對應的第一特征矩陣，包括：
9、所述第一編碼器將所述掩碼時間序列數(shù)據(jù)劃分為目標設定數(shù)量的數(shù)據(jù)塊，提取每個數(shù)據(jù)塊對應的第一特征矩陣，并更新當前第一特征提取的第二次數(shù)；
10、若所述第二次數(shù)小于所述第一次數(shù)，則將每相鄰的兩個數(shù)據(jù)塊對應的第一特征矩陣合并為一個數(shù)據(jù)塊，并繼續(xù)執(zhí)行提取每個數(shù)據(jù)塊對應的第一特征矩陣的步驟，直到所述第二次數(shù)等于所述第一次數(shù)。
11、進一步地，所述第二編碼器進行所述第一次數(shù)的第二特征提取，得到每次第二特征提取對應的第二特征矩陣，包括：
12、所述第二編碼器確定所述第一編碼器劃分的所述目標設定數(shù)量的數(shù)據(jù)塊中的數(shù)據(jù)塊的數(shù)據(jù)長度，并根據(jù)所述數(shù)據(jù)長度將所述原始數(shù)據(jù)劃分為多個數(shù)據(jù)塊，提取每個數(shù)據(jù)塊對應的第二特征矩陣，并更新當前第二特征提取的第三次數(shù)；
13、若所述第三次數(shù)小于所述第一次數(shù)，則將每相鄰的兩個數(shù)據(jù)塊對應的第二特征矩陣合并為同一數(shù)據(jù)塊，并繼續(xù)執(zhí)行提取每個數(shù)據(jù)塊對應的第二特征矩陣的步驟，直到所述第三次數(shù)等于所述第一次數(shù)。
14、進一步地，所述第一編碼器將所述掩碼時間序列數(shù)據(jù)劃分為目標設定數(shù)量的數(shù)據(jù)塊，包括：
15、將所述掩碼時間序列數(shù)據(jù)中被掩碼部分之前的數(shù)據(jù)劃分為第一設定數(shù)量的數(shù)據(jù)塊，將被掩碼部分之后的數(shù)據(jù)劃分為第二設定數(shù)量的數(shù)據(jù)塊，其中，所述第一設定數(shù)量為雙數(shù)。
16、進一步地，所述根據(jù)每次第一特征提取對應的所述預測特征矩陣與該次對應的第二特征提取對應的所述第二特征矩陣之間的偏差，確定目標損失值，包括：
17、針對每次特征提取，根據(jù)該次特征提取對應的第一特征矩陣與第二特征矩陣之間的偏差，確定子損失值；
18、將每次特征提取對應的子損失值的和值，確定為所述目標損失值。
19、第二方面，本申請還提供了一種時間序列數(shù)據(jù)預測方法，預測模型包括特征提取層、特征融合層、線性層和輸出層，所述特征提取層部署有特征提取模型，所述特征提取模型是基于上述所述特征提取模型的訓練方法訓練得到的；
20、所述方法包括：
21、將待處理時間序列數(shù)據(jù)輸入到所述特征提取層，得到每次第一特征提取對應的第一特征矩陣；
22、將每個所述第一特征矩陣依次輸入到特征融合層，所述特征融合層將每個第一特征矩陣按照特征依次進行拼接，得到第三特征矩陣，并基于注意力機制確定所述第三特征矩陣對應的第四特征矩陣；
23、將所述第四特征矩陣輸入到所述線性層進行全連接處理，得到預測特征矩陣；
24、將所述預測特征矩陣輸入到所述輸出層進行格式轉換，得到預測結果。
25、進一步地，所述基于注意力機制確定所述第三特征矩陣對應的第四特征矩陣之后，所述將所述第四特征矩陣輸入到所述線性層進行全連接處理之前，所述方法還包括：
26、基于拼接得到所述第三特征矩陣時的拼接策略，拆分所述第四特征矩陣，得到每次特征提取對應的第五特征矩陣；
27、將每次特征提取對應的第五特征矩陣分別輸入到所述線性層進行全連接處理，得到每次特征提取對應的預測特征矩陣；
28、所述將所述預測特征矩陣輸入到所述輸出層進行格式轉換，得到預測結果，包括：
29、將每次特征提取對應的預測特征矩陣輸入到所述輸出層，所述輸出層對接收到的預測特征矩陣進行融合處理，得到融合特征矩陣，并進行格式轉換，得到預測結果。
30、第三方面，本申請還提供了一種特征提取模型的訓練裝置，初始特征提取模型包括第一編碼器、第二編碼器和解碼器，所述裝置包括：
31、掩碼模塊，用于對獲取的樣本時間序列數(shù)據(jù)進行掩碼處理，得到掩碼后的掩碼時間序列數(shù)據(jù)，以及被掩碼部分的原始數(shù)據(jù)；
32、第一特征提取模塊，用于將所述掩碼時間序列數(shù)據(jù)輸入到所述第一編碼器，所述第一編碼器進行預先配置的第一次數(shù)的第一特征提取，得到每次第一特征提取對應的第一特征矩陣，其中，每次第一特征提取的特征提取策略不同；將所述原始數(shù)據(jù)輸入到所述第二編碼器，所述第二編碼器進行所述第一次數(shù)的第二特征提取，得到每次第二特征提取對應的第二特征矩陣，其中，每次第二特征提取的特征提取策略不同；
33、第一預測模塊，用于將每個所述第一特征矩陣輸入到所述解碼器，所述解碼器基于交叉自注意力機制預測所述被掩碼部分每次第一特征提取對應的預測特征矩陣；
34、訓練模塊，用于根據(jù)每次第一特征提取對應的所述預測特征矩陣與該次對應的第二特征提取對應的所述第二特征矩陣之間的偏差，確定目標損失值，并基于所述目標損失值對所述初始特征提取模型的參數(shù)進行調(diào)整，將參數(shù)調(diào)整后的第一編碼器確定為所述特征提取模型。
35、進一步地，所述第一特征提取模塊，具體用于所述第一編碼器將所述掩碼時間序列數(shù)據(jù)劃分為目標設定數(shù)量的數(shù)據(jù)塊，提取每個數(shù)據(jù)塊對應的第一特征矩陣，并更新當前第一本文檔來自技高網(wǎng)...
【技術保護點】
1.一種特征提取模型的訓練方法，其特征在于，初始特征提取模型包括第一編碼器、第二編碼器和解碼器，所述方法包括：
2.根據(jù)權利要求1所述的方法，其特征在于，所述第一編碼器進行預先配置的第一次數(shù)的第一特征提取，得到每次第一特征提取對應的第一特征矩陣，包括：
3.根據(jù)權利要求2所述的方法，其特征在于，所述第二編碼器進行所述第一次數(shù)的第二特征提取，得到每次第二特征提取對應的第二特征矩陣，包括：
4.根據(jù)權利要求2所述的方法，其特征在于，所述第一編碼器將所述掩碼時間序列數(shù)據(jù)劃分為目標設定數(shù)量的數(shù)據(jù)塊，包括：
5.根據(jù)權利要求1所述的方法，其特征在于，所述根據(jù)每次第一特征提取對應的所述預測特征矩陣與該次對應的第二特征提取對應的所述第二特征矩陣之間的偏差，確定目標損失值，包括：
6.一種時間序列數(shù)據(jù)預測方法，其特征在于，預測模型包括特征提取層、特征融合層、線性層和輸出層，所述特征提取層部署有特征提取模型，所述特征提取模型是基于權利要求1-5中任一項所述特征提取模型的訓練方法訓練得到的；
7.根據(jù)權利要求6所述的方法，其特征
8.一種特征提取模型的訓練裝置，其特征在于，初始特征提取模型包括第一編碼器、第二編碼器和解碼器，所述裝置包括：
9.一種時間序列數(shù)據(jù)預測裝置，其特征在于，預測模型包括特征提取層、特征融合層、線性層和輸出層，所述特征提取層部署有特征提取模型，所述特征提取模型是基于權利要求1-5中任一項所述特征提取模型的訓練方法訓練得到的；
10.一種電子設備，其特征在于，所述電子設備包括處理器，所述處理器用于執(zhí)行存儲器中存儲的計算機程序時實現(xiàn)如權利要求1-5中任一所述特征提取模型的訓練方法的步驟，或權利要求6-7中任一所述時間序列數(shù)據(jù)預測方法的步驟。
...【技術特征摘要】
1.一種特征提取模型的訓練方法，其特征在于，初始特征提取模型包括第一編碼器、第二編碼器和解碼器，所述方法包括：
2.根據(jù)權利要求1所述的方法，其特征在于，所述第一編碼器進行預先配置的第一次數(shù)的第一特征提取，得到每次第一特征提取對應的第一特征矩陣，包括：
3.根據(jù)權利要求2所述的方法，其特征在于，所述第二編碼器進行所述第一次數(shù)的第二特征提取，得到每次第二特征提取對應的第二特征矩陣，包括：
4.根據(jù)權利要求2所述的方法，其特征在于，所述第一編碼器將所述掩碼時間序列數(shù)據(jù)劃分為目標設定數(shù)量的數(shù)據(jù)塊，包括：
5.根據(jù)權利要求1所述的方法，其特征在于，所述根據(jù)每次第一特征提取對應的所述預測特征矩陣與該次對應的第二特征提取對應的所述第二特征矩陣之間的偏差，確定目標損失值，包括：
6.一種時間序列數(shù)據(jù)預測方法，其特征在于，預測模型包括特征提取層、特征融合層、線性層和輸出層，所述特征提取層部署有特征提取...
【專利技術屬性】
技術研發(fā)人員：趙書寶，
申請(專利權)人：新奧新智科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。