一种动态跟踪时间序列中稀疏高信息量变量特征的方法

本发明提供了一种用于时间序列预测的稀疏高信息量变量(SIVs)动态跟踪方法，能够自动检测、分离并有效利用SIVs，以提升预测精度和模型的稳定性。本方法首先使用自动检测机制识别SIVs，并基于概率模型生成潜在影响曲线，通过积分操作捕捉长期动态依赖关系。随后，引入对抗渐进模式生成机制，优化SIV的长期影响建模，并采用多尺度对比融合方法增强不同时间尺度下的特征提取能力。为了进一步优化预测效果，本方法将时间序列分解为趋势项和周期项，并通过长短期记忆网络进行特征编码。在此基础上，趋势聚合模块整合多个影响因素，以提升局部趋势建模能力。最终，利用解码器对趋势项和季节项分别进行预测，并通过加权融合获得最终的预测结果。本发明的损失函数由预测误差损失、对抗损失和对比损失组成，并通过梯度下降优化模型参数，以提高时间序列预测的准确性和泛化能力。本发明适用于医疗健康、工业控制、金融分析等多个领域，可有效提升在稀疏高信息量变量存在条件下的时间序列预测性能。