基于序列分解与子序列注意力机制的长时序预测方法和系统
知识产权简介
本发明创新性地提出了分布感知的序列分解算法和面向子序列的注意力机制,大幅度提高长时间序列预测任务的精度和效率。相比于其他模型,序列分解算法能够分离出平稳成分,使得模型具有更好的泛化能力,有效降低了过拟合现象;面向子序列的注意力机制将研究重点从单个时间点转向子序列,使得模型能够批量处理并分析更加整体与宏观的序列依赖关系,将注意力机制的时间复杂度从O(n^2)降低至O(1),大幅度减小长序列预测任务的模型规模并提高其效率;同时本发明基于显著性检验的思想优化了注意力机制的运算过程,使得其能够更有针对性地寻找子序列间的依赖关系,提高模型的预测精度和可解释性。