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！

龙图腾网获悉大连理工大学申请的专利一种基于深度FCM的多元时间序列长期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：CN118410292B 。

龙图腾网通过国家知识产权局官网在2025-03-11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：202410339773.6，技术领域涉及：G06F18/20；该发明授权一种基于深度FCM的多元时间序列长期预测方法是由苏林;卢伟;崔泽;孙长海;孙清超;孙伟设计研发完成，并于2024-03-25向国家知识产权局提交的专利申请。

本一种基于深度FCM的多元时间序列长期预测方法在说明书摘要公布了：本发明提出一种基于深度FCM的多元时间序列长期预测方法，包括获取多元时间序列数据集；进行标准化处理，得到多元时间序列标准数据集；采用基于合理粒度原则的多维高斯信息粒设计方法进行等距重叠分割，获得多元时间序列分割数据集；预测出所有时间窗口中概念节点的向量数据，以此对多元时间序列进行长期预测；对参数进行训练，得到深度动态向量模糊认知图模型；得到收敛条件，判断链接权重是否满足收敛条件，若满足则将待预测的多元时间序列输入深度动态向量模糊认知图模型中，得到预测结果，若不满足则重新训练链接权重。本发明能有效的挖掘数据之间的长期依赖关系，在模糊决策与时间序列预测精度上有了明显的提升，且本发明具有可解释性。

本发明授权一种基于深度FCM的多元时间序列长期预测方法在权利要求书中公布了：1.一种基于深度FCM的多元时间序列长期预测方法，其特征在于，包括如下步骤：S1.获取系统的多元时间序列数据集，所述多元时间序列数据集为WTH数据集，所述WTH数据集收集了气象数据，所述多元时间序列数据集包括多个多元时间序列，每个所述多元时间序列包括N个属性特征数据和4个时间特征数据，所述时间特征数据包括年特征数据、月特征数据、日特征数据和时特征数据，所述属性特征数据包括Visibility、DryBulbFarenheit、DryBulbCelsius、WetBulbFarenheit、DewPointFarenheit、DewPointCelsius、RelativeHumidity、WindSpeed、WindDirection、StationPressure、Altimeter和WetBulbCelsius，未知因素影响变量包括降水量和海拔高度；S2.对所述多元时间序列数据集进行模糊化处理，得到由多个模糊化多元时间序列组成的多元时间序列模糊化数据集，所述模糊化多元时间序列包括多个变量，所述变量包括年特征模糊化数据，月特征模糊化数据、日特征模糊化数据、时特征模糊化数据和属性特征模糊化数据；S3.基于合理粒度原则的多维高斯信息粒设计方法对所述多元时间序列模糊化数据集中的所述模糊化多元时间序列进行等距重叠分割得到多个时间窗口，获得由多个所述时间窗口组成的多元时间序列分割数据集；S4.构建深度动态向量模糊认知图，包括：构建动态向量模糊认知图，将所述多元时间序列分割数据集中时间窗口Δt1中每个所述属性特征数据及时间特征数据分别作为所述动态向量模糊认知图的一个概念节点，通过所述动态向量模糊认知图预测下一个时间窗口Δt2中概念节点的向量数据，构建高阶动态向量模糊认知图，通过所述高阶动态向量模糊认知图预测出所述时间窗口Δt2后所有时间窗口中概念节点的向量数据，在预测最后一个时间窗口中的向量数据前，通过交叉动态向量模糊认知图进行校正预测，校正检验后，得到所有预测时间窗口；S5.对所述预测时间窗口中的多元时间序列进行反模糊化及反归一化，通过梯度下降算法对主向量p线性变换时的系数wp、从向量q线性变换时的系数wq、概念节点之间的链接权重wv和未知影响因素u进行训练，得到训练后的深度动态向量模糊认知图模型；S6.通过压缩映射原理得到所述动态向量模糊认知图的收敛条件，判断所述深度动态向量模糊认知图模型的概念节点之间的链接权重wv是否满足所述收敛条件，若满足则输出所述深度动态向量模糊认知图模型并进行步骤S7，若不满足则返回步骤S4随机初始化重新训练所述链接权重wv；S7.将待预测多元时间序列输入所述深度动态向量模糊认知图模型中，得到预测结果。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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”。