[发明专利]一种基于时序卷积和关系建模的事件序列预测方法

权利要求书

1.一种基于时序卷积和关系建模的事件序列预测方法，其特征在于，包括以下步骤：

步骤1，从数据库中生成用于模型训练的历史事件序列数据集D_train，即原始训练数据集D_train，每个事件数据包含历史事件所发生的时间戳和标记信息，并构建事件序列预测模型；

步骤2，对原始训练数据集进行数据预处理，包括数据清洗和事件间隔时间计算；其中，数据清洗过程包括无效样本去除，异常样本修补以及数据归一化；

步骤3，利用标记特征编码器f_mark对原始训练数据集D_train中历史事件的标记信息进行特征提取，得到标记特征编码v_mark；

步骤4，利用时序特征编码器f_time对原始训练数据集D_train中历史事件的时间戳信息进行特征提取，得到时间特征编码v_time；

步骤5，对标记特征编码v_mark和时间特征编码v_time进行特征融合，得到对于单个事件的特征表示v_event；

步骤6，基于历史事件序列中单个历史事件的特征编码，构造事件间的时序相关性图，并利用其对历史事件序列进行特征表示，得到序列特征s_i；

步骤7，利用序列特征s_i计算每种类型事件的条件强度函数λ，利用条件条件强度推理得到未来事件发生的时间戳和标记信息；

步骤8，计算事件序列预测模型的损失函数值，计算对应的梯度，并利用优化算法实现事件序列预测模型的反向传播，更新事件序列预测模型参数；

步骤9，判断事件序列预测模型的损失曲线是否收敛，若没有收敛，则返回步骤8继续对事件序列预测模型进行参数优化。

步骤10，完成基于时序卷积和关系建模的事件序列预测，保存已经训练好的事件序列预测模型，并将事件序列预测模型部署至服务器。

2.如权利要求1所述的一种基于时序卷积和关系建模的事件序列预测方法，其特征在于，步骤1中，从数据库中生成用于模型训练的历史事件序列数据集D_train，其中包含N_t个历史事件数据，每个历史事件数据包括历史事件发生的时间戳信息和该事件对应的标记信息；所述序列对事件进行排列，事件对应的编码从0开始递增；在训练数据集基础上，构建事件序列预测模型。

3.如权利要求2所述的一种基于时序卷积和关系建模的事件序列预测方法，其特征在于，步骤2中，将步骤1中生成的历史事件序列数据集作为训练集输入，并对原始训练数据集进行数据的清洗以及事件间隔时间的计算；

其中，数据清洗步骤包括：对D_train中无效和重复样本进行统计和删减；使用局部异常因子算法筛选D_train中的异常值，利用历史事件序列的平均值进行修正；使用最大最小值归一化方法对训练集中样本进行数据归一化，将数据分批进行整理，并使用BatchNormalization方法对其进行批归一化。