公开(公告)号：CN111651504A

公开(公告)日：2020-09-11

申请号：CN202010496285.8

申请日：2020-06-03

Applicant: 湖南大学

Inventor： 田泽安 ,  黎丽萍 ,  潘佳铭 ,  李肯立

IPC: G06F16/2458 ,  G06N3/04

Abstract: 本发明属于深度学习领域，公开了基于深度学习的多元时间序列多层时空依赖建模方法。本发明引入新颖的注意力机制对神经网络中不同层提取的时空依赖特征做更加细粒度的处理，本发明提出的模型由一个堆叠的长短期神经网络-卷积神经网络(LSTM-CNN)，基于CNN的空间注意力机制，基于CNN的通道注意力机制，时间注意力机制以及自回归组件组成，通过引入多层时空依赖的概念，使用基于CNN的通道注意力机制和基于CNN空间注意力机制来分别关注不同层的时空依赖特征，实现了对冗余信息的过滤以及对预测结果影响更大的特征的有效提取，达到了提高预测结果的目的，在不同领域内的多元时间序列数据上表现优异并且能够扩展到单元时间序列预测的任务上。

公开(公告)号：CN111651504B

公开(公告)日：2021-10-08

申请号：CN202010496285.8

申请日：2020-06-03

Applicant: 湖南大学

Inventor： 田泽安 ,  黎丽萍 ,  潘佳铭 ,  李肯立

IPC: G06F16/2458 ,  G06N3/04

Abstract: 本发明属于深度学习领域，公开了基于深度学习的多元时间序列多层时空依赖建模方法。本发明引入新颖的注意力机制对神经网络中不同层提取的时空依赖特征做更加细粒度的处理，本发明提出的模型由一个堆叠的长短期神经网络‑卷积神经网络(LSTM‑CNN)，基于CNN的空间注意力机制，基于CNN的通道注意力机制，时间注意力机制以及自回归组件组成，通过引入多层时空依赖的概念，使用基于CNN的通道注意力机制和基于CNN空间注意力机制来分别关注不同层的时空依赖特征，实现了对冗余信息的过滤以及对预测结果影响更大的特征的有效提取，达到了提高预测结果的目的，在不同领域内的多元时间序列数据上表现优异并且能够扩展到单元时间序列预测的任务上。