买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江大学申请的专利基于元学习框架的少样本不规则时间序列预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121117620B 。

龙图腾网通过国家知识产权局官网在2026-04-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511641768.1，技术领域涉及：G06F18/214；该发明授权基于元学习框架的少样本不规则时间序列预测方法是由陈璐;赵俊博;姚媛媛设计研发完成，并于2025-11-11向国家知识产权局提交的专利申请。

本基于元学习框架的少样本不规则时间序列预测方法在说明书摘要公布了：本发明公开了一种基于元学习框架的少样本不规则时间序列预测方法，包括：获取数据、分割时间窗口、随机取样、建立基于自训练的双向递归模型、使用模型无关元学习方法训练和精调模型、评估预测结果和可视化。本发明通过自训练的双向递归神经网络模型策略和与模型无关的元学习方法的泛化调优，以按梯度精调模型使其优化后的权重配置能迁移至新的任务，有效提高单领域或单群组不规则多元少样本情景下对时间序列预测的准确性和效率，并保持较低的计算成本。

本发明授权基于元学习框架的少样本不规则时间序列预测方法在权利要求书中公布了：1.一种基于元学习框架的少样本不规则时间序列预测方法，其特征在于，包括如下步骤： 1获取多元不规则时序数据，用于模型训练及测试，具体实现方式为：初始化一个固定单位跨度的时间窗口，在该时间窗口内随机抽取少量的多元不规则时序数据，这些时序数据的时间维度和变量维度并不相同，即不同数据具有不同数量的变量以及不同的采样间隔时间；进而对抽取的时序数据进行标准化处理后划分成训练数据、测试数据和验证数据；所述多元不规则时序数据为天气质量数据，所述变量为温度、气压、湿度、风向和风速； 2构建基于BRNN的双向递归时间序列预测模型，具体实现方式如下： S21：将常规递归神经网络中的神经元状态分成两部分，一部分为前向状态，另一部分为后向状态，前向状态和后向状态之间没有直接联系； S22：将所有先前输入的时序数据保持在递归神经网络的隐藏状态中，通过具有递归的隐藏状态处理不规则时间间隔的时序数据输入，隐藏状态在每次时间的激活都取决于前一个时间的隐藏状态； S23：为减少递归神经网络训练中的梯度消失问题，利用门控循环神经网络的循环单元用于序列建模，并采用ReLU作为循环激活函数； 3利用多元不规则时序数据并采用与模型无关的元学习方法对双向递归时间序列预测模型进行训练，具体实现方式如下： S31：建立训练任务和测试任务，并将训练数据和测试数据拆分成同样的大小垂直堆叠； S32：所述元学习方法采用双重循环迭代精调优化模型的权重参数，包括元学习模型优化和单任务优化，元学习模型优化部分采用ADAM，根据各任务的数据集和梯度步长计算当前梯度权重以微调权重参数，并在步数内循环计算； S33：在训练任务中，获取待优化的模型权重参数，按批次多次元学习循环迭代计算损失函数以及模型中的所有权重和损失函数变化的梯度，找到敏感的权重参数，并以最小化损失函数来优化模型； S34：在模型无关元学习方法的内循环迭代计算中，对训练任务数据使用随机梯度下降方法微调所有新配置的权重参数，在微调后，重新加载模型并计算下一批的损失函数； S35：在模型无关元学习方法的外循环迭代计算中，对测试任务数据使用ADAM为元学习优化方法调整优化后的模型所有新配置的权重参数，在微调后，重新加载模型并计算下一批的损失函数，最终生成新的优化后的模型； 4对少部分输入数据随机设置位置掩码，对模型进行自训练学习，具体实现方式如下： S41：对少于40%的训练数据随机设置掩码，将未掩码数据和掩码数据分成两个数据集，并根据掩码数据的位置，在掩码前后的未掩码数据分别按0.4和0.6的权重计算掩码数据的估计值； S42：使用双向递归时间序列预测模型对未掩码的数据进行推理并生成预测值，参照未掩码部分的实际值与预测值对比，调整优化模型权重； S43：使用优化后的模型对全部训练数据进行推理，生成预测值，比较掩码部分的预测值和估计值，如果差值少于预先设置的阈值，则将预测值代替掩码部分的估计值，组成新的训练数据，如此循环5次； S44：使用循环调优后的模型生成测试数据的预测值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。