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！

申请/专利权人：西安邮电大学

摘要：本申请公开了基于序列分解构图和注意力机制的天气预测方法及系统，涉及天气指标预测技术领域。其中的方法包括：获取历史天气时间序列；对历史天气时间序列进行STL分解，获得分解后的三分量；根据每个分量的内在关系分别建立节点矩阵、边矩阵和图邻接矩阵，形成三个图结构；提取节点信息、节点之间的信息和图结构信息；将增强信息映射为单项预测结果，多个单项预测结果相加得到天气预测结果。本申请采用了高效的图神经网络模型来捕捉多个序列内部和序列间的关系，该模型将时间序列转化为图结构，利用图神经网络来捕获时空依赖性。模型还引入了具有注意力机制的消息传递方式，使模型根据时间序列中的关键节点和边动态地调整消息传递的权重。

主权项：1.基于序列分解构图和注意力机制的天气预测方法，其特征在于，包括：获取历史天气时间序列，所述历史天气时间序列为基于天气指标形成的时间序列，所述天气指标包括空气温度和湿度；对所述历史天气时间序列进行STL分解，获得包含趋势分量、季节性分量和残差分量在内的三分量；将所述三分量分别形成三个节点矩阵，对于所述节点矩阵中的任意两个分量，利用皮尔逊相关系数衡量所述两个分量的相关性，所述节点矩阵中任意两个分量的所有皮尔逊相关系数组成边矩阵，所述三分量分别形成三个边矩阵；根据所述节点矩阵中的任意两个分量的皮尔逊相关系数建立图邻接矩阵，当皮尔逊相关系数的绝对值大于等于0.5，认为两个节点是连通的，所述图邻接矩阵的对应位置为1，否则认为不连通，所述图邻接矩阵的对应位置为0；基于所述节点矩阵、边矩阵和图邻接矩阵形成三个并行的图结构；采用注意力计算方法聚合节点矩阵、边矩阵和图邻接矩阵，所述注意力计算方法在通过注意力考虑时间序列内部关系的同时，利用边矩阵D1、D2、D3分别考虑了所述季节性分量、趋势分量和残差分量间的关系；采用前馈全连接层增强所述节点矩阵、节点之间的边矩阵和图邻接矩阵，获得相应的增强信息；将每个所述增强信息映射为相应的单项预测结果，将多个所述单项预测结果相加，得到最终的天气预测结果；其中，所述季节性分量、趋势分量和残差分量经过注意力计算后的结果分别表示如下： 其中，、和分别表示季节性分量、趋势分量和残差分量经过注意力计算后的结果，,,分别表示季节性分量、趋势分量和残差分量所确定的图邻接矩阵，,,,,,,,,是可训练的参数，用于调整不同部分的重要性，是激活函数，,,分别是季节性分量、趋势分量和残差分量所确定的边矩阵； ,,代表三分量节点矩阵的Query部分，Query是通过模型学习得到的，用来表示查询的信息； ,,代表三分量节点矩阵的Key部分，Key也是通过模型学习得到的，Key用来与Query进行比较，以确定节点内部相似性的向量； ，，代表季节性分量、趋势分量和残差分量节点矩阵的Value部分，它是与每个Key相关的实际数值，在注意力机制中，通过计算Query和Key之间的相似性，然后将其应用到与Key相关的Value上，最终得到加权平均的值；表示Key的维度，取值由Key决定，在这里，是为了缩放点积，以防止内积Query和Key的值过大；在采用所述前馈全连接层增强所述节点矩阵、节点之间的边矩阵和图邻接矩阵时，采用两层所述前馈全连接层增强对数据的拟合能力，当前的所述前馈全连接层为第l层，前一层为第l-1层，该第l层有n个输入神经元和m个输出神经元，所述前馈全连接层的输入：对于第l-1层的输出向量为al-1=[a1l-1,a2l-1,...,ail-1,…,anl-1]，其中ail-1是第l-1层第i个神经元的输出；权重：对于第l层的每个输出神经元，有一组权重表示与第l-1层的第i个神经元相连，其中i表示第l-1层的神经元索引，表示第l层的神经元索引；偏置：每个第l层的神经元都有一个偏置项；线性变换：对于第l层的第个神经元，进行线性变换计算： 激活函数：将线性变换的结果通过一个激活函数进行非线性映射，得到当前层的输出：。

全文数据：

权利要求：

百度查询： 西安邮电大学 基于序列分解构图和注意力机制的天气预测方法及系统