一种时空双维度的时间序列预测方法

本发明属于信息预测领域，具体涉及一种时空双维度的时间序列预测方法。

背景技术：

1、时间序列数据是一种常见的数据类型。其通常由多个时间状态下的数据组成，蕴含着丰富的时间信息，从中可以挖掘数据的演变规律，并进行合理的推测，这对于很多预测任务非常重要。然而时间序列数据不仅包含时间信息，每个时间切片下的数据同时包含着大量复杂的空间信息。为便于表述与理解，以一种应用十分广泛的时间序列数据——电子病历数据(ehr)为例，其包含了大量患者的多次就诊信息，每次就诊信息记录了其患病类型、医生开具的处方、使用的药物治疗、进行的手术类型等等复杂空间信息。如何更好地挖掘类似时间序列数据中的各种信息，已成为近年来学术界广泛关注的问题。

技术实现思路

1、本发明的目的是为了解决现有的时间序列预测方法存在的上述缺点，提出了一种时空双维度的时间序列预测方法。

2、本发明的技术方案如下：

3、一种时空双维度的时间序列预测方法，所述方法包括：

4、s1获取预测数据，并根据所述预测数据构建全局共现图；

5、s2根据所述全局共现图构建动态时间权重子图，并基于所述动态时间权重子图，先利用图神经网络学习节点嵌入，然后利用注意力机制得到就诊嵌入；

6、s3利用门控循环单元和所述就诊嵌入的时间发展信息，得到最终嵌入表示；

7、s4对最终嵌入表示进行时间序列预测。

8、进一步地，所述s1具体为：

9、对所述预测数据进行迭代，并识别特定诊断代码和共同出现的其他诊断节点，建立从特定诊断代码到这些节点的定向边，得到全局共现图。

10、进一步地，所述动态时间权重子图包括：诊断子图诊断邻居子图和邻居子图

11、进一步地，所述s2具体为：

12、设计时间权重函数来表示同一疾病节点在不同就诊中具有不同的权重：

13、

14、其中，表示第t次就诊中第i个疾病代码的时间权重，表示连续剩余的疾病节点表示；因此，每个疾病节点的最终时间权重表示为：

15、

16、使用向量来存储每个节点的时间权重；

17、然后通过下述公式利用图神经网络学习节点嵌入：

18、

19、

20、其中，φ，w分别表示leakyrelu激活函数和参数矩阵，l,m为嵌入矩阵，与分别表示诊断节点和邻居节点的嵌入；

21、然后使用注意力机制对节点嵌入进行聚合，并分别表示新发疾病和无关疾病：

22、

23、

24、

25、

26、

27、

28、其中，wq，wv是注意力参数，a是注意力大小，和分别表示新发疾病和无关疾病的注意力嵌入，表示时间t为诊断节点时间t-1为邻居节点的疾病节点表示，表示连续剩余的疾病节点表示，hqn、hqi分别代表新发疾病与无关疾病的查询(query)向量；hkn、hki分别代表新发疾病与无关疾病的键(key)向量；hvn、hvi分别代表新发疾病与无关疾病的值(value)向量。

29、进一步地，所述s3具体为：

30、利用门控循环单元公式获得患者的最终嵌入表示；

31、所述门控循环单元公式为：

32、

33、

34、门、候选隐藏状态、当前隐藏状态，表示连续两次出现的疾病节点表示；

35、然后，对进行最大池化，并使用局部注意力机制得到最终嵌入表示：

36、

37、α＝softmax(wα[v1,v2,…,vt])

38、yp＝α[v1,v2,…,vt]t

39、其中wα表示注意力权重矩阵，vt为时间t的就诊嵌入表示；α为各个时间就诊嵌入的注意力权重；yp为最终患者表示。

40、进一步地，所述s4具体为：

41、将患者嵌入yp放入多层感知机中，以计算预测值

42、

43、其中，为训练参数，σ为sigmoid激活函数，为得到的预测值。

44、本发明的技术效果：

45、本发明的方法创新性地利用输入数据构建时间权重图，并根据图中节点类型的不同，分类地使用图神经网络学习节点的嵌入表示，能够获取具有时间信息指导的空间信息嵌入表示；同时，本发明创新性地利用门控循环单元进行时间序列数据随时间的发展演变规律的捕捉，能够有效增强模型处理时间序列数据的准确性与可靠性；创新性地采用时空双维度的建模方法，既分别在各自的维度进行细粒度的信息抽取，又能将信息进行补充与融合，能够提升时间序列预测的准确性。

技术特征：

1.一种时空双维度的时间序列预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的时空双维度的时间序列预测方法，其特征在于，所述s1具体为：

3.根据权利要求1所述的时空双维度的时间序列预测方法，其特征在于，所述动态时间权重子图包括：诊断子图诊断邻居子图和邻居子图

4.根据权利要求1所述的时空双维度的时间序列预测方法，其特征在于，所述s2具体为：

5.根据权利要求1所述的时空双维度的时间序列预测方法，其特征在于，所述s3具体为：

6.根据权利要求1所述的时空双维度的时间序列预测方法，其特征在于，所述s4具体为：

技术总结
本发明提供一种时空双维度的时间序列预测方法，所述方法包括：S1获取预测数据，并根据所述预测数据构建全局共现图；S2根据所述全局共现图构建动态时间权重子图，并基于所述动态时间权重子图，先利用图神经网络学习节点嵌入，然后利用注意力机制得到就诊嵌入；S3利用门控循环单元和所述就诊嵌入的时间发展信息，得到最终嵌入表示；S4对最终嵌入表示进行时间序列预测。本发明新性地采用时空双维度的建模方法，既分别在各自的维度进行细粒度的信息抽取，又能将信息进行补充与融合，能够提升时间序列预测的准确性。

技术研发人员：李青,李泽昊,吴冠中,鲍建烁,杨晋
受保护的技术使用者：西北工业大学
技术研发日：
技术公布日：2024/2/1