[发明专利]一种基于探测式深度网络的时空大数据预测方法

摘要

本发明提供一种基于探测式深度网络的时空大数据预测方法，包括将时空序列输入训练好的探测式卷积递归神经网络模型，获取预测结果；模型训练方法包括将前K个时刻的空间数据输入编码器，获取K+1时刻的空间数据预测值；将K+1时刻的空间数据预测值输入预测器，获取K+2至K+J时刻的空间数据预测值；将K+1至K+J‑1时刻的空间数据输入探测器，获取K+2至K+J时刻的空间数据探测值；根据空间数据预测值、空间数据探测值和时空序列，应用损失函数计算预测器和探测器的输出值与时空序列的差距；对所述模型进行优化并重复上述步骤，直至差距满足预设条件。本发明提供的方法，充分利用了数据潜在知识，提高了预测结果精度。

主权项

一种时空数据预测方法，其特征在于，包括：将时空序列输入训练好的探测式卷积递归神经网络模型，获取预测结果；其中，所述探测式卷积递归神经网络模型由编码器、预测器和探测器构成，所述编码器、预测器和探测器分别由若干个卷积长短时间记忆单元构成，所述探测式卷积递归神经网络模型的训练方法包括：S1，将时空序列的前K个时刻的空间数据输入编码器，获取K+1时刻的空间数据预测值；将所述K+1时刻的空间数据预测值输入预测器，获取K+2至K+J时刻的空间数据预测值；将所述时空序列的K+1至K+J‑1时刻的空间数据输入探测器，获取K+2至K+J时刻的空间数据探测值；S2，根据所述空间数据预测值、空间数据探测值和时空序列，应用损失函数计算所述预测器和探测器的输出值与时空序列的差距；S3，对所述模型进行优化并重复步骤S1和S2，直至所述差距满足预设条件，获取所述训练好的探测式卷积递归神经网络模型。