(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210129022.2 (22)申请日 2022.02.11 (71)申请人 电子科技大 学 地址 610041 四川省成 都市高新区 （西区） 西源大道 2006号 申请人 创意信息技 术股份有限公司 (72)发明人 王勇　王晓虎　王范川　秦瑞　 张应福　石锟　 (74)专利代理 机构 成都金英专利代理事务所 (普通合伙) 51218 专利代理师 袁英 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种面向时序图数据的快速的状态预测方 法 (57)摘要 本发明公开了一种面向时序图数据的快速 的状态预测方法， 包括： 步骤1， 数据预处理： 转换 数据格式； 步骤2， 特征变换： 将每一个传感器观 测到的数据信息、 数据状态信息和时间信息映射 到高维空间； 步骤3， 编码器端的特征学习： 将步 骤2中的变换后的所有特征相融合， 生成时间维 度和空间维度的特征， 并将时间维度和空间维度 的特征融合在一起， 传入解码器部分； 步骤4， 解 码器端的特征变换： 采用生 成式的方式进行特征 变换， 生成最终学习到的特征； 步骤5， 数据及状 态预测。 本发明考虑数据的状态特征， 从数据维 持时间的角度切入， 来揭示数据状态的变化， 在 一定程度上减小了数据的冗余程度， 有助于提高 数据的预测准确性。 权利要求书2页 说明书7页 附图5页 CN 114511767 A 2022.05.17 CN 114511767 A 1.一种面向时序图数据的快速的状态预测方法， 其特 征在于， 包括以下步骤： 步骤1， 数据预处理： 转换数据格式， 将传感器汇报的数据按照时间顺序， 从时间点+数 据值的格式转换为数据值+维持时间的格式； 步骤2， 特征变换： 对于每一个传感器观测到的数据信息， 使用TCN模块， 映射到高维空 间中； 对于每一个传感器的数据状态信息， 使用TCN卷积的方式， 映射到高维空间； 对于每一 个传感器的时间信息， 按照日期， 进行 特征编码， 并通过线性变换的方式， 映射到高维空间； 步骤3， 编码器端的特征学习： 将步骤2中的变换后的所有特征相融合， 传入基于多头注 意力机制的编码器模块， 学习在时间维度上 的数据特征和数据状态特征； 将进行特征变换 之前的原始数据传入到动态图神经网络模块， 学习在空间维度上 的数据特征， 并将时间维 度和空间维度的特 征融合在一 起， 并传入解码器部分； 步骤4， 解码器端的特征变换： 采用生成式的方式进行特征变换； 首先， 生成具备时间维 度和空间维度的特征； 然后与步骤3生成的特征一起进 行多头注意力的计算， 生成最 终学习 到的特征； 所述步骤4具体包括以下子步骤， 步骤401： 经过步骤2的变换， 获取时间特征、 数据特征、 数据状态特征的融合特征 ZFuse_dec＝ZTime_dec+ZData_dec+ZDur_dec； 步骤402： 将 融合特征ZFuse_dec作为输入， 传入基于多头注意力机制的解码器部分， 经过 Mask ProbSparse  Self‑Attention模块， 获取时间维度上的特 征表示ZOut_dec_temporal； 步骤403： 使用Dyn amic GCN， 对原始的数据序列进行特征学习， 得到在空间维度上的数 据特征， 然后经 过1D卷积的维度变换， 得到ZOut_dec_spati o； 步骤404： 融合解码器部分的时间特征和空间特征， 得到ZOut_dec＝ZOut_dec_temporal+ ZOut_dec_spatio； 然后经过Full  Attention， 将ZOut_dec作为Q， ZOut_enc作为K， V， 来得到最后的特 征输出ZOut； 步骤5， 数据及状态预测： 将解码器端最终的生成特征分别传入两个不同的全连接层， 进行数据及状态的预测。 2.根据权利要求1所述的一种面向时序图数据的快速的状态预测方法， 其特征在于， 所 述数据信息、 数据状态信息和时间信息均为数据 序列的数据形式。 3.根据权利要求1所述的一种面向时序图数据的快速的状态预测方法， 其特征在于， 所 述步骤2包括以下子步骤： 步骤201： 将数据信息传入TCN模块， 提取 数据的特 征ZData_enc； 步骤202： 将维持时间序列传入TCN模块， 提取 数据状态的特 征ZDur_enc； 步骤203： 将时间序列信息进行编码， 得到时间的特 征ZTime_enc。 4.根据权利要求1所述的一种面向时序图数据的快速的状态预测方法， 其特征在于， 所 述数据状态信息即维持时间序列。 5.根据权利要求1所述的一种面向时序图数据的快速的状态预测方法， 其特征在于， 所 述步骤3具体包括以下子步骤： 步骤301： 将步骤2中的特征相互结合， 得到包含时间信息、 数据特征、 数据状态特征的 融合特征ZFuse_enc＝ZTime_enc+ZData_enc+ZDur_enc； 步骤302： 将融合特征ZFuse_enc作为输入， 传入基于多头注意力机制的编码器部分进行处权　利　要　求　书 1/2 页 2 CN 114511767 A 2理， 以达到蒸馏的目的， 将特 征序列的维度减小到原来维度的1/2； 步骤303： 经过L1次的ProbSparse  Self‑Attention模块和MaxPool蒸馏模块， 得到编码 器的输出ZOut_enc_temporal； 步骤304： 使用Dyn amic GCN， 对原始的数据序列进行特征学习， 得到在空间维度上的数 据特征， 然后使用1D卷积和MaxPo ol变换维度， 得到ZOut_enc_spati o； 步骤305： 将时间维度和空间维度的特征融合在一起， 得到ZOut_enc＝ZOut_enc_temporal+ ZOut_enc_spati o， 并传入解码器部分。 6.根据权利要求1所述的一种面向时序图数据的快速的状态预测方法， 其特征在于， 所 述传入基于多头注意力机制的编码器部分的处理过程为： 首先经过ProbSparse  Self‑ Attention模块， 进行多头自注意力的计算， 使用优化的矩阵计算方式， 将时间复杂度从O (n2)降低到O(nlog(n))； 之后通过MaxPool卷积操作， 以达到蒸馏的目的， 将特征序列的维 度减小到原来维度的1/2。 7.根据权利要求1所述的一种面向时序图数据的快速的状态预测方法， 其特征在于， 所 述步骤5具体包括以下子步骤： 步骤501： 将步骤4得到的最终的特 征向量ZOut传入FC1， 输出 预测的时序图数据 步骤502： 将步骤4得到 的最终的特征向量ZOut传入FC2， 输出预测的时序图数据对应的 维持时间 权　利　要　求　书 2/2 页 3 CN 114511767 A 3