一种基于窗口级损失聚合的高速公路温湿度预测方法与流程

摘要: 本发明涉及时间序列预测,特别涉及一种基于窗口级损失聚合的高速公路温湿度预测方法。背景技术:1、随着物联网技术、智能传感系统以及数据采集设备的快速发展,时间序列预...
一种基于窗口级损失聚合的高速公路温湿度预测方法与流程

本发明涉及时间序列预测,特别涉及一种基于窗口级损失聚合的高速公路温湿度预测方法。

背景技术:

1、随着物联网技术、智能传感系统以及数据采集设备的快速发展,时间序列预测技术已广泛应用于工业设备状态监测、能源负荷管理、交通流量分析、环境参数预测以及金融趋势分析等领域。时间序列预测模型通过对历史观测数据中的时序变化规律进行学习,实现对未来状态的预测,在智能化决策和自动化控制过程中发挥着重要作用。

2、在实际应用过程中,时间序列预测模型通常依赖大量带监督信号的数据进行训练,但由于传感设备老化、测量误差、数据传输异常、环境变化以及人为操作等因素影响,训练过程中使用的监督信号不可避免地存在噪声污染。因此,如何在监督信号存在噪声干扰的情况下,提高时间序列预测模型的鲁棒性,使模型能够准确捕获真实时序变化规律,对于提升工业监测、能源管理及智能感知等应用场景中的预测可靠性具有重要意义。

3、然而,现有技术提出了基于样本筛选的鲁棒训练方法,其中co-teaching方法通过构建两个独立模型,并利用模型之间相互筛选低损失样本的方式降低噪声标签对训练过程的影响。然而,现有co-teaching方法主要应用于图像分类、医学图像分割等静态任务,其样本通常被认为相互独立,样本筛选过程多基于点级损失或单样本损失进行排序。在时间序列预测任务中,训练样本通常由滑动窗口构成,相邻样本之间具有较强的时间依赖关系,直接采用传统样本级筛选策略可能破坏窗口内部的时间连续性和上下文结构,导致模型无法充分学习时序关联特征。

技术实现思路

1、鉴于以上现有技术的不足,本发明实施例的目的在于提供一种基于窗口级损失聚合的高速公路温湿度预测方法,能够解决现有co-teaching方法主要应用于图像分类、医学图像分割等静态任务,其样本通常被认为相互独立,样本筛选过程多基于点级损失或单样本损失进行排序。在时间序列预测任务中,训练样本通常由滑动窗口构成,相邻样本之间具有较强的时间依赖关系,直接采用传统样本级筛选策略可能破坏窗口内部的时间连续性和上下文结构,导致模型无法充分学习时序关联特征的技术问题。

2、本发明实施例的第一方面,提出了一种基于窗口级损失聚合的高速公路温湿度预测方法,包括:

3、s1:获取多变量时间序列数据;

4、s2:对所述多变量时间序列数据进行滑动窗口划分,得到时序训练样本集;

5、s3:构建结构相同且参数独立的第一预测模型和第二预测模型;

6、s4:通过引入结构性噪声,对所述时序训练样本集进行处理,得到带噪监督信号;

7、s5:将所述时序训练样本集分别输入至所述第一预测模型和所述第二预测模型,输出对应预测窗口的预测结果;

8、s6:根据所述预测结果和所述带噪监督信号,计算所述时序训练样本集中各个时序训练样本的窗口级损失;

9、s7:根据各个所述窗口级损失,确定低损失样本子集;

10、s8:根据所述低损失样本子集,采用协同教学更新策略,对所述第一预测模型和所述第二预测模型进行参数更新,直至所述第一预测模型和所述第二预测模型的参数均大于预设参数值,输出训练完成的第一预测模型和第二预测模型;

11、s9:获取待预测高速公路温湿度时序数据;

12、s10:将所述待预测高速公路温湿度时序数据分别输入至训练完成的第一预测模型和第二预测模型,输出未来预测窗口对应的高速公路温度值和湿度值。

13、本发明实施例的第二方面,提出了一种基于窗口级损失聚合的高速公路温湿度预测系统,包括:处理器和存储器;

14、所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的基于窗口级损失聚合的高速公路温湿度预测方法的步骤。

15、本发明实施例的第三方面,提出了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的基于窗口级损失聚合的高速公路温湿度预测方法的步骤。

16、本发明实施例提供的技术方案带来的有益效果至少包括:

17、在本发明实施例中,通过将完整滑动窗口作为训练单元,并采用窗口级整体损失进行样本筛选,在过滤噪声监督信号的同时保持时间序列结构完整性,提高了样本质量评价的稳定性,通过双模型协同教学和交叉更新策略,降低了噪声监督导致的模型过拟合风险,并结合样本保留比例动态衰减机制提升了模型在噪声环境下的预测稳定性和鲁棒性。此外,本发明不依赖特定预测模型结构,可适用于线性模型、transformer模型等多种时序预测架构,具有较好的通用性和工程应用价值。

1.一种基于窗口级损失聚合的高速公路温湿度预测方法,其特征在于,包括:

2.根据权利要求1所述的基于窗口级损失聚合的高速公路温湿度预测方法,其特征在于,所述第一预测模型和所述第二预测模型均采用相同的transformer网络结构。

3.根据权利要求1所述的基于窗口级损失聚合的高速公路温湿度预测方法,其特征在于,所述结构性噪声包括:异常值噪声和系统偏差噪声。

4.根据权利要求3所述的基于窗口级损失聚合的高速公路温湿度预测方法,其特征在于,所述异常值噪声用于模拟单向、高幅度的瞬时故障;

5.根据权利要求3所述的基于窗口级损失聚合的高速公路温湿度预测方法,其特征在于,所述系统偏差噪声用于模拟传感器长期漂移或校准误差;

6.根据权利要求1所述的基于窗口级损失聚合的高速公路温湿度预测方法,其特征在于,所述窗口级损失的计算公式具体为:

7.根据权利要求1所述的基于窗口级损失聚合的高速公路温湿度预测方法,其特征在于,所述s7具体包括:

8.根据权利要求7所述的基于窗口级损失聚合的高速公路温湿度预测方法,其特征在于,所述s8中的根据所述低损失样本子集,采用协同教学更新策略,对所述第一预测模型和所述第二预测模型进行参数更新具体包括:

9.一种基于窗口级损失聚合的高速公路温湿度预测系统,其特征在于,包括:处理器和存储器;

10.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至8任一项所述的基于窗口级损失聚合的高速公路温湿度预测方法的步骤。