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！

龙图腾网获悉武汉大学申请的专利一种基于深度学习的多变量长时间序列预测方法及装置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：CN119476363B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202410292088.2，技术领域涉及：G06N3/0455；该发明授权一种基于深度学习的多变量长时间序列预测方法及装置是由叶世榕;沙智敏;夏朋飞;罗浩;胡方鑫设计研发完成，并于2024-03-14向国家知识产权局提交的专利申请。

本一种基于深度学习的多变量长时间序列预测方法及装置在说明书摘要公布了：本发明公开了一种基于深度学习的多变量长时间序列的预测方法及装置，提出了TLformer模型，采用了更加简单的双线性模型架构，该模型在输入时，对整个数据进行了时间纬度上的归一化，并在输出时进行反归一化。采用了CNN‑Attention机制，在时间维度上进行卷积，并交换了输入数据的时间和变量纬度，让深度学习网络先对变量间的关系进行学习，再去进行时间纬度的预测，这样修改大大增加了模型预测多变量的能力。同时针对Attention机制对趋势项的学习不敏感的问题，该模型采用滑动窗口将原始数据分成了趋势项和季节项加残差项，分别进行训练，最后将训练的结果进行相加得到最终的结果。大量实验表明该模型的预测精度优于目前绝大数的时间序列预测模型。

本发明授权一种基于深度学习的多变量长时间序列预测方法及装置在权利要求书中公布了：1.一种基于深度学习的多变量长时间序列预测方法，其特征在于，包括： 获取原始时间序列，构建训练集，其中，训练集为WTH数据集，数据集中的每个数据点由目标值“WetBulbCelsius”和11个气候特征组成； 基于Transformer模型构建多变量长时间序列预测模型TLformer，多变量长时间序列预测模型采用编码器与线性层结合的结构； 利用构建的训练集对多变量长时间序列预测模型进行训练，训练过程中模型采用滑动窗口的方式，将训练集中的原始时间序列分成趋势项与季节项加残差项，趋势项进入线性层结构进行训练，季节项加残差项进入编码器结构进行学习，最后将两种结构的输出结果进行相加得到最终的输出，其中，所述多变量长时间序列预测模型包括归一化层，用于对输入的时间序列进行时间维度的归一化处理；线性层结构包括M个线性层、归一化层和映射层，趋势项进入线性层结构进行训练后，得到第一输出；编码器结构包括CNN-Attention层、前馈神经网络层和映射层，其中CNN-Attention层为基于卷积的注意力层，包括维度变换函数、卷积层和自注意力机制层； 在季节项加残差项进入编码器结构进行学习之前，所述方法还包括： 对原始时间序列的变量进行相关性分析，如果变量间相关性强则对原始时间序列的季节项加残差项添加位置编码与时间编码，否则，使用线性层对原始时间序列的季节项加残差项进行处理； 季节项加残差项进入编码器结构进行学习，包括： 对输入的时间序列的季节项加残差项进行变量维度和时间维度的交换， 对时间维度进行卷积操作，得到卷积后的结果； 将复制成三份，分别表示为Q、K、V，Q为查询向量，K为关键向量，V为数值向量，将Q、K、V输入自注意力机制层，得到注意力结果，表示为，为输入数据的维度，为激活函数，； 通过残差网络，将与相加，并进行归一化处理，得到第一中间结果； 通过前馈神经网络层的处理得到第二中间结果； 通过残差网络，使再与相加后再进行归一化处理，再通过映射层映射到所需输出维度，得到第二输出； 最后将两种结构的输出结果进行相加得到最终的输出，包括： 将线性结构得到的第一输出与编码器结构得到的第二输出相加，再通过反归一化层的处理，得到最终的输出； 利用训练好的模型进行多变量长时间序列预测。

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武汉大学，其通讯地址为：430072 湖北省武汉市武昌区八一路299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”。

以上内容由龙图腾AI智能生成。