[发明专利]基于多时间尺度注意力网络的废旧家电回收量预测方法

权利要求书

1.一种基于多时间尺度注意力网络的废旧家电回收量预测方法，其特征在于：包括如下步骤：

S100：选用废旧家电回收订单数据集，将数据集以天为时间间隔的回收量形成时间序列数据X，表达式如下：

X＝{x₀,x₁,…,x_t,…,x_N-1}

其中，x_t表示第t天的回收量真实值；

S200：初始化MULAN网络模型，并从X中随机选取一天作为预测起始时间点s_i，i＝1,2,…,N，每个s_i对应一个真实回收量定义预测起始时间点s_i之前回收量数据的近邻窗口长度c_len、周期窗口长度p_len、趋势窗口长度t_len和预测窗口长度f_len，定义四种窗口的表达式如下：

近邻窗口：cw＝[s_i-c_len,s_i)；

周期窗口：

趋势窗口：tw＝[s_i-365-t_len+f_len,s_i-365+f_len)；

预测窗口：fw＝[s_i,s_i+f_len)；

其中，s_i表示预测起始时间点，各窗口长度是超参数；

S300：将预测起始时间点s_i之前回收量数据的近邻窗口数据、周期窗口数据、趋势窗口数据作为第i组训练样本，让i遍历其取值范围得到N组训练样本并组成训练集X_train；

S310：令i＝1；

S320：分别计算s_i之前回收量数据的近邻窗口的平滑时序嵌入、周期窗口的平滑时序嵌入和趋势窗口的平滑时序嵌入，具体如下：

使用多个无偏差的一维卷积滤波器对长度为c_len的近邻窗口对应的回收量数据X_cw进行卷积运算，对长度为p_len的周期窗口对应的回收量数据X_pw进行卷积运算，对长度为t_len的趋势窗口对应的回收量数据X_tw进行卷积运算，得到每个窗口的多通道的平滑时序嵌入，计算表达式如下：

其中，x_z∈{c,p,t}，x∈{X_cw,X_pw,X_tw}，代表第h个卷积核，代表卷积符号，x^smooh表示第h个通道上的平滑数据；

S330：分别计算s_i之前回收量数据的近邻窗口的时间特征嵌入、周期窗口的时间特征嵌入和趋势窗口的时间特征嵌入，具体步骤如下：

S331：近邻窗口从四种时间位置提取到对应的时间特征序列R_cw，周期窗口从四种时间位置提取到对应的时间特征序列R_pw，趋势窗口从四种时间位置提取到对应的时间特征序列R_tw，记r∈{R_cw,R_pw,R_tI}，其中R_cw,R_pw,R_tw的结构相同，表示如下：

R_cw＝R_pw＝R_tw＝{r₀,r₁,…,r_t,…,r_N-1}

其中，r_t表示第t天的时间特征，R_cw,R_pw和R_tw分别表示近邻窗口、周期窗口和趋势窗口历史N天的时间特征序列；

S332：通过线性嵌入方法得到时间特征嵌入r^embed，r^embed的维度与x_z^smooth的通道数相同，x_z^smooth是包含H个x_z^smooth通道的平滑数据，具体计算表达式如下：

r^embed＝W_ter，

其中，W_te是线性嵌入涉及的参数；

S400：将近邻窗口的平滑时序嵌入和时间特征嵌入进行相加得到近邻窗口的嵌入输出序列c^embed，将周期窗口的平滑时序嵌入和时间特征嵌入进行相加得到周期窗口的嵌入输出序列进行编码p^embed，将趋势窗口的平滑时序嵌入和时间特征嵌入进行相加得到趋势窗口的嵌入输出序列进行编码t^embed；

S500：利用LSTM网络对近邻窗口的嵌入输出序列进行编码，得到近邻窗口的编码序列c^enc；利用LSTM网络对周期窗口的嵌入输出序列进行编码，得到周期窗口的编码序列p^enc；

利用LSTM网络对趋势窗口的嵌入输出序列进行编码，得到趋势窗口的编码序列t^enc；

S600：计算近邻窗口、周期窗口和趋势窗口的融合编码，具体步骤如下：

S610：定义为倒数第t个时间步之前的信息的编码，定义Concat Attention注意力模型中的查询向量q和注意力输入序列x^*，计算表达式如下：

其中，表示从倒数第a_len个位置一直到序列末尾的长度为α_len的一段子序列；

S620：使用Concat Attention注意力机制来计算每个编码序列的注意力打分s_n和每个编码序列的注意力分布α_n，计算表达式如下：

其中，v_a、W_a和U_a表示Concat Attention中的参数，表示一个向量，同W_a、U_a一样都是Concat Attention模型中需要学习的向量和矩阵，用于矩阵运算，表示注意力输入序列中的第n个元素，a_len表示注意力输入序列的总长度，j表示枚举注意力输入序列的每个元素；

S630：通过软注意力机制计算编码序列的注意力输出att(x^*,q)，计算表达式如下：

其中，x_q＝p时表示趋势窗口的注意力输出p^att，x_q＝t时表示周期窗口的注意力输出t^att；

S640：将p^att、t^att和进行相加得到近邻窗口、周期窗口和趋势窗口的融合编码fenc，该融合编码fenc即MULAN网络模型的输出结果，计算表达式如下：

其中，表示整个近邻窗口的编码；

S700：采用现有解码器模型对fenc进行解码，解码结果为对未来f_len天的回收量预测值

S800：利用MSE目标损失函数计算MULAN网络模型的第i个训练样本的回收量预测值和回收量真实值的损失，根据损失采用梯度下降反向传播的方式对MULAN网络模型进行参数更新；

S900：令i＝i+1；

如MSE目标损失函数的损失不再变化，则得到训练好的MULAN网络模型，并执行下一步，否则返回S320；

S1000：将待预测起始时间点s′前的多种参考窗口数据作为S900中训练好的MULAN网络模型的输入，输出为待预测起始时间点s′以后所有窗口数据的融合编码，通过现有解码器模型对所有窗口数据的融合编码进行解码，得到最终对s′以后的废旧家电回收量预测结果。