基于隐式神经网络的多变量时间序列预测方法和系统

基于隐式神经网络的多变量时间序列预测方法和系统，其方法包括：1)收集数据并对数据进行预处理；2)对标准化或归一化后的多变量时间序列进行窗口划分并确定待预测窗口长度；3)将输入窗口经过变量相关性编码，得到变量级的特征向量；4)基于时间注意力的隐式神经网络利用步骤3)的变量特征预测目标参数，通过参数建模目标序列的隐式神经表征；5)隐式神经表征的输出和原输入窗口一起作为多头注意力预测器的输入，经过在隐空间进行的跨序列交叉注意力计算和多层感知器变换输出维度，得到预测结果；6)训练并优化模型参数，将预测结果和真实结果计算均方差作为损失函数并反向传播优化变量相关性编码模块、隐式神经网络模块多头注意力预测器及多层感知器的可训练参数，然后重复步骤3)至6)，直至达到预设的迭代次数或者模型在验证集上的误差达到早停的要求；7)使用训练收敛的模型进行预测，将预测结果经过反归一化得到最终的预测结果。本发明具有良好的泛化性，同时通过生成趋势和季节两种分量的隐空间特征，显著提高了注意力机制的可解释性。