(19)中华 人民共和国 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 202111492350.0 (22)申请日 2021.12.08 (71)申请人 北京北大软件工程股份有限公司 地址 100080 北京市海淀区北四环西路67 号中关村国际创新大厦1 1层 (72)发明人 季斌林　李建　任晓茂　乔慧娟　 李萌　 (74)专利代理 机构 北京华创智道知识产权代理 事务所(普通 合伙) 11888 代理人 周倩 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 30/02(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于时间序列的数据趋势预测方法和系统 (57)摘要 本发明涉及一种基于时间序列的数据趋势 预测方法和系统， 其中方法包括： 将历史时间序 列数据转换为可视化的时间序列图像数据； 将时 间序列图像数据转换为矩阵数据； 采用支持输入 多变量数据的卷积神经网络模型提取矩 阵数据 的数据趋势特征； 根据数据趋势特征构建基于条 件随机场的联合时序数据趋势预测模 型； 向联合 时序数据趋势预测模型中输入待预测时间序列 数据， 输出时间序列数据趋势预测结果。 本发明 结合经济类数据的结构和分布特点， 进行PSV序 列数据转换， 解决深度学习过程中时序数据预处 理问题； 按照时序数据结构特点提取卷积采样数 据特征分类判别， 效果有明显提升； 结合矩阵数 据卷积特征和序列状态传播特征对数据趋势判 别任务进行增强。 权利要求书4页 说明书21页 附图7页 CN 114118622 A 2022.03.01 CN 114118622 A 1.基于时间序列的数据趋势预测方法， 其特 征在于， 包括： 将历史时间序列数据转换为可视化的时间序列图像数据； 将所述时间序列图像数据转换为矩阵数据； 采用支持输入多变量数据的卷积神经网络模型提取 所述矩阵数据的数据趋势特 征； 根据所述数据趋势特 征构建基于条件随机场的联合时序数据趋势预测模型； 向所述联合 时序数据趋势预测模型中输入待预测时间序列数据， 输出时间序列数据趋 势预测结果。 2.根据权利要求1所述的基于时间序列的数据趋势预测方法， 其特征在于， 将所述 时间 序列图像数据转换为矩阵数据为： 从数据集某个时间序列中抽取连续N个时序数据， 构建N*3的实验时间序列矩阵， 结合 目标数据集的时间特点， 将实验时间序列矩阵转换为的矩阵数据， 其中n*n=N， 3表示3个月； 转换后的数据通过图像表达， 每个图像含有 个像素数据， 其中图像包括结合时间 特点的数据的图像和图像经 过数据转换 形成的矩阵数据图像。 3.根据权利要求1所述的基于时间序列的数据趋势预测方法， 其特征在于， 所述卷积神 经网络模型的数 学表达式包括： ； 其中， zi为卷积后的第i个特征图， xj为当前第j个特征图， Wi,j为zi应的第j个权重， m为 输入特征图个数， bi代表第i个偏移量； ； 其中g， h为分类类别， 且 ， Yg为第g个分类类别的输出值， softmax(Yg)为分类类 别为g的概率， 在测试模型时， softmax层取softmax(Y1),softmax(Y2),…,softmax(Yh)中数 值最大的类别作为样本的预测标签。 4.根据权利要求1所述的基于时间序列的数据趋势预测方法， 其特征在于， 所述条件随 机场中的状态特征时间序列是隐性状态时间序列， 其构成一个无向图 ， 其中V表 示结点的集合， E表示边的集合， 对任意结点V 成立的条件概率分布 条件随机场， 表 达为式一： ， 式中  表示在无向 图 中与所有状态点 和所有状态点 的连接关系， 为所有状态点 和所有 状态点 的非连接关系， 是在给定 的条件下 的条件概率分布， 为输入向 量， 表示观察特征时间序列数据， ； 为是输出变量， 表示状态特征时间序列数据， ； 基于构建时间序列 数据的隐马尔可夫链和三项马尔科夫性质， 对所述式一进一步推导权　利　要　求　书 1/4 页 2 CN 114118622 A 2为： ； 其中， 在时间点 的条件概率表达为 ， 其前序时间点 的条 件概率表达为 ， 以及 和 之间的概 率情况 ； 进一步构建矩阵M阶矩阵， 其中M取 矩阵的特征数量值， 观测序列x的每一个位置为i= 1， 2， ..n+1， 在状态链两头分别加入两个状态y0=start,yn+1=stop作为起始状态和终止状 态： ； 矩阵元素为： ； ； 将转移特征和状态特征及其权值用统一的符号表示， 设K1个转移特征， K2个状态特征， K=K1+K2， 记： ； 然后， 对转移特 征与状态特 征在各个位置i 求和， 记作： 其中， f是特征函数， yi‑1和yi分别是观察特征时间序列Yi‑1和Yi的取值， wk代表fk的权重， Wi表示时间点i对应的权重参数； tk是转移特征， 依赖于当前位置和前一个位置， k代表转移 特征的数量； sl是状态特 征， 依赖于当前位置， l代 表状态特 征的数量； w代 表权重。 5.根据权利要求4所述的基于时间序列的数据趋势预测方法， 其特征在于， 所述条件随 机场采用前向后向联合 算法计算条件概 率， 包括： 在原有状态链前后各加入一个状态y0=start和yn+1=stop分别作为起始状态和 终止状 态， 对于每一个指标 ， 定义前向过程向量 和后向过程向量 ， 对 于 和 时刻， 存在： ；权　利　要　求　书 2/4 页 3 CN 114118622 A 3