買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉南京郵電大學申請的專利一種基于時域解耦增強的長時間序列預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN117972387B 。

龍圖騰網通過國家知識產權局官網在2025-09-09發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202410117732.2，技術領域涉及：G06F18/213；該發明授權一種基于時域解耦增強的長時間序列預測方法是由鄧麗珍;余江坤;朱虎設計研發完成，并于2024-01-29向國家知識產權局提交的專利申請。

本一種基于時域解耦增強的長時間序列預測方法在說明書摘要公布了：本發明屬于時間序列分析技術領域，公開了一種基于時域解耦增強的長時間序列預測方法，該方法通過預測模型實現，模型主要包括時間網絡模塊、增廣網絡模塊、采樣模塊、融合加強模塊，其中采樣模塊將長序列轉化為時間子序列，獲取更精細的特征信息，時間網絡模塊主要用于針對于整體的時間序列做粗預測處理，并為融合增強模塊提供特征信息，增廣網絡模塊將時間子序列做精細化處理，并將自身的特征信息傳入到融合增強模塊，融合增強模塊接收來自子序列的細化特征與原有序列的特征信息做融合增強，并作為時間網絡與增廣網絡模塊的輔助解碼輸入，最終將時間網絡與增廣網絡的輸出結合作為預測輸出，從而實現時空信息對齊，實現更加高效準確的預測能力。

本發明授權一種基于時域解耦增強的長時間序列預測方法在權利要求書中公布了：1.一種基于時域解耦增強的長時間序列預測方法，其特征在于：所述長時間序列預測方法包括如下步驟： 步驟1、獲取包含時間序列的數據集并將其劃分成訓練集和測試集； 步驟2、將網絡劃分成原有的時間網絡模塊與增廣網絡模塊兩部分，將原始信號進行采樣后作為所述增廣網絡模塊的輸入，原始序列作為原有所述時間網絡模塊的輸入； 步驟3、將原始信號與采樣后得到的時序信號進行分解，分別得到時間網絡模塊與增廣時間網絡模塊的季節性特征與趨勢性特征； 步驟4、將分解得到的趨勢性特征采用線程層進行處理，并獲得時間網絡模塊與增廣時間網絡模塊的趨勢特征的預測量； 步驟5、將分解得到的時間網絡模塊的季節性特征先經過位置嵌入后，經過Transformer的編碼處理，并利用融合增強特征信息作為Transformer輔助解碼輸入，得到需要的時間網絡模塊的季節性預測分量，然后與之前的趨勢性預測分量相加得到時間網絡模塊的預測量； 步驟6、將分解得到的增廣網絡模塊季節特征，時間網絡模塊的季節性特征和趨勢特征輸入到增強模塊中，利用時間網絡與增廣網絡的季節性信息作為該模塊的輸入，得到融合增強的季節性特征，并作增廣網絡模塊Transformer的輔助解碼輸入； 步驟7、將分解得到的獲得增廣網絡模塊的季節性特征先經過位置嵌入后，經過Transformer的編碼處理，并利用融合增強特征信息作為Transformer輔助解碼輸入，得到增廣網絡模塊的季節性預測分量，將增廣網絡模塊預測信息中季節分量和趨勢分量匯總，獲得增廣網絡模塊的預測量； 步驟8、將步驟5得到時間網絡模塊的預測量與步驟7獲得的增廣網絡的預測量進行整合得到最終的時序預測量；其中， 所述步驟5具體包括如下步驟： 步驟5.1、對于時間網絡模塊，將分解得到的季節性特征先進行預處理，將原始時間序列嵌入到特征圖中并將原始時間序列分割成補丁，公式如下： ， ， 其中，將帶有季節特征的時序輸入到由內核大小為3×1的卷積層嵌入的c個特征圖，打補丁過程將原始時間序列劃分成大小為的非重疊子序列，其中對于輸入序列長度不能被整除時，是零填充，得到序列為，其中表示信號輸入的維度，表示來自傳感器的信號的計數，最后將特征圖維度和塊大小維度結合起來形成Transformer的輸入，利用Transformer中注意力機制，如下所示： ， ， 其中是根據數據集的特征選擇的鍵的子集，表示表示權重系數，防止梯度消失，遵循通道無關的設計，最終注意力機制轉變為如下所示： ， ， ， 其中，源自于融合增強模塊的編碼輸入，將增廣網絡模塊與時間網絡模塊信息融合增強后作為解碼的V值，表示Transformer輸出，表示解碼器的patch數量； 步驟5.2、將特征維度和補丁大小維度分開，得到； 步驟5.3、利用內核大小為1×1的卷積層將特征圖的數量從c減少到1，如下所示： ， 其中是季節性分特征的預測，最終按照如下公式對季節性特征和趨勢性分特征行元素求和，以生成時間網絡模塊的預測： ， 其中，表示時間網絡模塊季節性特征的預測，表示時間網絡模塊趨勢性特征的預測； 所述步驟7具體包括如下步驟： 步驟7.1、對于增廣網絡模塊，將分解得到的季節性特征先進行預處理，將采樣后的原始時間子序列嵌入到特征圖中并將采樣后原始時間子序列分割成補丁，公式如下： ， ， 其中，將帶有季節特征的時序輸入到由內核大小為3×1的卷積層嵌入的c個特征圖，打補丁過程將采樣后的原始時間子序列劃分成大小為的非重疊子序列，其中對于輸入子序列長度不能被整除時，是零填充，得到序列為，其中表示信號輸入的維度，表示來自傳感器的信號的計數，最后將特征圖維度和塊大小維度結合起來形成Transformer的輸入，利用Transformer中注意力機制，如下所示： ， ， 其中是根據數據集的特征選擇的鍵的子集，表示權重系數，防止梯度消失，遵循通道無關的設計，最終注意力機制轉變為如下所示： ， ， ， 其中，源自于融合增強模塊的編碼輸入，將增廣網絡模塊與時間網絡模塊信息融合增強后作為解碼的V值，表示Transformer輸出，表示解碼器的patch數量； 步驟7.2、將特征維度和補丁大小維度分開，得到； 步驟7.3、利用內核大小為1×1的卷積層將特征圖的數量從c減少到1，如下所示： ， 其中是季節性特征的預測，最終按照如下公式對季節性特征和趨勢性特征進行元素求和，以生成增廣網絡模塊的預測： ， 其中表示增廣網絡模塊季節性特征的預測，表示增廣網絡模塊趨勢性特征的預測。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人南京郵電大學，其通訊地址為：210003 江蘇省南京市鼓樓區新模范馬路66號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。