用于在线时间序列预测的系统和方法与流程

实施例一般涉及机器学习系统，并且更具体地涉及在线时间序列预测。

背景技术：

1、深度神经网络模型已广泛应用于时间序列预测。例如，可以使用学习模型来预测时间序列数据，诸如未来一段时间内的连续市场数据、天气数据等。现有的深层模型将批量学习应用于时间序列预测任务。这样的模型通常在训练期间随机地采样回顾窗口和预测窗口，并且在评估期间冻结模型，打破时间序列的时变(非固定)性质。

2、因此，需要一种用于在线时间预测的有效且适配的深度学习框架。

技术实现思路

技术特征：

1.一种在动态系统中预测未来时间戳处的时间序列数据的方法，所述方法包括：

2.根据权利要求1所述的方法，其中所述第一适配参数包括第一权重适配分量和第一特征适配分量。

3.根据权利要求2所述的方法，还包括：

4.根据权利要求3所述的方法，还包括：

5.根据权利要求4所述的方法，还包括：

6.根据权利要求5所述的方法，其中所述适配特征映射是基于所述第一特征适配分量和所述第一卷积层的第一特征映射计算的，并且其中所述第一特征映射是所述适配层参数与来自在前层的先前适配特征映射的卷积。

7.根据权利要求6所述的方法，其中所述卷积层的堆叠和所述回归器通过以下更新：

8.根据权利要求4所述的方法，还包括：

9.根据权利要求8所述的方法，其中所述当前模式通过以下方式捕获：

10.根据权利要求9所述的方法，还包括：

11.一种用于在动态系统中预测未来时间戳处的时间序列数据的系统，所述系统包括：

12.根据权利要求11所述的系统，其中所述第一适配参数包括第一权重适配分量和第一特征适配分量。

13.根据权利要求12所述的系统，其中所述操作还包括：

14.根据权利要求13所述的系统，其中所述操作还包括：

15.根据权利要求14所述的系统，其中所述操作还包括：

16.根据权利要求15所述的系统，其中所述适配特征映射是基于所述第一特征适配分量和所述第一卷积层的第一特征映射计算的，并且其中所述第一特征映射是所述适配层参数与来自在前层的先前适配特征映射的卷积。

17.根据权利要求16所述的系统，其中所述卷积层的堆叠和所述回归器通过以下更新：

18.根据权利要求14所述的系统，其中所述操作还包括：

19.根据权利要求18所述的系统，其中所述当前模式由以下捕获：

20.一种非暂时性处理器可读存储介质，其存储用于在动态系统中预测未来时间戳处的时间序列数据的处理器可读指令，所述指令由处理器执行以执行包括以下的操作：

技术总结实施例提供了结合快速学习网络和慢速学习网络(称为“FSNet”)的框架，以在运行中训练用于在线时间序列预测的深度神经预测器。FSNet建立在具有两个互补分量的深度神经网络主干(慢速学习者)上，以便于快速适配新的并且循环的概念。为此，FSNet采用每层适配器来经由其偏导数监视每层对预测损耗的贡献。适配器在每个步骤基于其最近的梯度来转换每层的权重和特征，允许细粒度每层快速适配以优化当前的损耗。此外，FSNet采用第二和互补关联存储器分量来存储在训练期间观察到的重要的循环模式。适配器与存储器交互以存储、更新和获取先前的转换，便于快速学习这些模式。技术研发人员：H-Q·法姆,C·刘,D·萨霍,C·H·霍伊受保护的技术使用者：硕动力公司技术研发日：技术公布日：2024/8/5