基于形状相似性检索和时序频域特征的流行度预测方法

本发明公开了一种基于形状相似性检索和时序频域特征的流行度预测方法，包括：在固定观测时间中采集短小时间序列；获取短小时间序列的形状特征，通过相似性计算排序后筛选K个历史序列；利用频域学习模块捕捉历史序列的序列间特征信息后与短小时间序列特征进行融合，并捕捉融合后序列的时序全局依赖关系和周期特性，最后通过结合多点流行度增长值损失，提升模型单点流行度增长值预测能力。本发明通过有效检索相关的历史序列，利用频域学习模块的全局视角优势，充分捕捉历史序列中完整的趋势变化模式，解决了现有社交媒体内容预测技术中忽略历史信息和短小时间序列信息匮乏的问题，与现有方法相比拥有更精准的预测效果。