买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京邮电大学申请的专利一种基于时域解耦增强的长时间序列预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117972387B 。

龙图腾网通过国家知识产权局官网在2025-09-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410117732.2，技术领域涉及：G06F18/213；该发明授权一种基于时域解耦增强的长时间序列预测方法是由邓丽珍;余江坤;朱虎设计研发完成，并于2024-01-29向国家知识产权局提交的专利申请。

本一种基于时域解耦增强的长时间序列预测方法在说明书摘要公布了：本发明属于时间序列分析技术领域，公开了一种基于时域解耦增强的长时间序列预测方法，该方法通过预测模型实现，模型主要包括时间网络模块、增广网络模块、采样模块、融合加强模块，其中采样模块将长序列转化为时间子序列，获取更精细的特征信息，时间网络模块主要用于针对于整体的时间序列做粗预测处理，并为融合增强模块提供特征信息，增广网络模块将时间子序列做精细化处理，并将自身的特征信息传入到融合增强模块，融合增强模块接收来自子序列的细化特征与原有序列的特征信息做融合增强，并作为时间网络与增广网络模块的辅助解码输入，最终将时间网络与增广网络的输出结合作为预测输出，从而实现时空信息对齐，实现更加高效准确的预测能力。

本发明授权一种基于时域解耦增强的长时间序列预测方法在权利要求书中公布了：1.一种基于时域解耦增强的长时间序列预测方法，其特征在于：所述长时间序列预测方法包括如下步骤： 步骤1、获取包含时间序列的数据集并将其划分成训练集和测试集； 步骤2、将网络划分成原有的时间网络模块与增广网络模块两部分，将原始信号进行采样后作为所述增广网络模块的输入，原始序列作为原有所述时间网络模块的输入； 步骤3、将原始信号与采样后得到的时序信号进行分解，分别得到时间网络模块与增广时间网络模块的季节性特征与趋势性特征； 步骤4、将分解得到的趋势性特征采用线程层进行处理，并获得时间网络模块与增广时间网络模块的趋势特征的预测量； 步骤5、将分解得到的时间网络模块的季节性特征先经过位置嵌入后，经过Transformer的编码处理，并利用融合增强特征信息作为Transformer辅助解码输入，得到需要的时间网络模块的季节性预测分量，然后与之前的趋势性预测分量相加得到时间网络模块的预测量； 步骤6、将分解得到的增广网络模块季节特征，时间网络模块的季节性特征和趋势特征输入到增强模块中，利用时间网络与增广网络的季节性信息作为该模块的输入，得到融合增强的季节性特征，并作增广网络模块Transformer的辅助解码输入； 步骤7、将分解得到的获得增广网络模块的季节性特征先经过位置嵌入后，经过Transformer的编码处理，并利用融合增强特征信息作为Transformer辅助解码输入，得到增广网络模块的季节性预测分量，将增广网络模块预测信息中季节分量和趋势分量汇总，获得增广网络模块的预测量； 步骤8、将步骤5得到时间网络模块的预测量与步骤7获得的增广网络的预测量进行整合得到最终的时序预测量；其中， 所述步骤5具体包括如下步骤： 步骤5.1、对于时间网络模块，将分解得到的季节性特征先进行预处理，将原始时间序列嵌入到特征图中并将原始时间序列分割成补丁，公式如下： ， ， 其中，将带有季节特征的时序输入到由内核大小为3×1的卷积层嵌入的c个特征图，打补丁过程将原始时间序列划分成大小为的非重叠子序列，其中对于输入序列长度不能被整除时，是零填充，得到序列为，其中表示信号输入的维度，表示来自传感器的信号的计数，最后将特征图维度和块大小维度结合起来形成Transformer的输入，利用Transformer中注意力机制，如下所示： ， ， 其中是根据数据集的特征选择的键的子集，表示表示权重系数，防止梯度消失，遵循通道无关的设计，最终注意力机制转变为如下所示： ， ， ， 其中，源自于融合增强模块的编码输入，将增广网络模块与时间网络模块信息融合增强后作为解码的V值，表示Transformer输出，表示解码器的patch数量； 步骤5.2、将特征维度和补丁大小维度分开，得到； 步骤5.3、利用内核大小为1×1的卷积层将特征图的数量从c减少到1，如下所示： ， 其中是季节性分特征的预测，最终按照如下公式对季节性特征和趋势性分特征行元素求和，以生成时间网络模块的预测： ， 其中，表示时间网络模块季节性特征的预测，表示时间网络模块趋势性特征的预测； 所述步骤7具体包括如下步骤： 步骤7.1、对于增广网络模块，将分解得到的季节性特征先进行预处理，将采样后的原始时间子序列嵌入到特征图中并将采样后原始时间子序列分割成补丁，公式如下： ， ， 其中，将带有季节特征的时序输入到由内核大小为3×1的卷积层嵌入的c个特征图，打补丁过程将采样后的原始时间子序列划分成大小为的非重叠子序列，其中对于输入子序列长度不能被整除时，是零填充，得到序列为，其中表示信号输入的维度，表示来自传感器的信号的计数，最后将特征图维度和块大小维度结合起来形成Transformer的输入，利用Transformer中注意力机制，如下所示： ， ， 其中是根据数据集的特征选择的键的子集，表示权重系数，防止梯度消失，遵循通道无关的设计，最终注意力机制转变为如下所示： ， ， ， 其中，源自于融合增强模块的编码输入，将增广网络模块与时间网络模块信息融合增强后作为解码的V值，表示Transformer输出，表示解码器的patch数量； 步骤7.2、将特征维度和补丁大小维度分开，得到； 步骤7.3、利用内核大小为1×1的卷积层将特征图的数量从c减少到1，如下所示： ， 其中是季节性特征的预测，最终按照如下公式对季节性特征和趋势性特征进行元素求和，以生成增广网络模块的预测： ， 其中表示增广网络模块季节性特征的预测，表示增广网络模块趋势性特征的预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京邮电大学，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。