公开(公告)号：CN119578541A

公开(公告)日：2025-03-07

申请号：CN202411465577.X

申请日：2024-10-21

Applicant: 复旦大学

Inventor： 徐长盛 ,  刘文博 ,  周水庚

IPC: G06N5/04 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0455 ,  G06F18/10 ,  G06F18/213 ,  G06F123/02

Abstract: 本发明属于深度学习中的数据挖掘领域，具体为一种基于因果关系的时间序列预测系统。本发明时间序列预测方法包括：适用于时间序列数据的因果推断与增强算法；基于图注意力机制与傅里叶变换的因果‑频域注意力模块；基于多层感知机的解码器。本发明能提高现有多变量时间序列预测方法对序列变量间依赖关系的建模能力以及对长时间序列数据的特征提取能力，有效地降低预测结果的误差。

公开(公告)号：CN118607689A

公开(公告)日：2024-09-06

申请号：CN202410559788.3

申请日：2024-05-08

Applicant: 复旦大学

Inventor： 周水庚 ,  刘文博

IPC: G06Q10/04 ,  G06N3/0442 ,  G06N5/04 ,  G06F18/214 ,  G06F18/24 ,  G06F17/16 ,  G06N3/08

Abstract: 本发明属于深度学习中的数据挖掘技术领域，具体为一种基于因果关系与注意力机制的多变量时间序列预测系统。本发明系统包括：适用于时间序列的因果推断模块；基于神经网络的因果‑时序注意力机制模块；基于多层感知机的解码器模块；因果推断模块从采样数据中推断出各个变量的因果图，包括用于评估所因果图质量的交叉验证对数似然得分函数以及用于搜索因果图的贪婪等价搜索算法；因果‑时序注意力机制模块提取时间序列历史数据的因果‑时序特征，并将该特征编码为一组特征向量；解码器解码因果‑时序注意力机制输出的因果‑时序特征，以得到最终的预测结果。本发明弥补现有多变量时间序列预测在因果推断方面的空缺，有效地提高时间序列预测准确性。