摘要: 随着大数据分析和深度学习的迅猛发展, 时间序列预测方法被广泛应用于医学、金融、气象和交通等领域, 为众多应用任务提供决策支持. 针对小样本医学数据特征维度低和现有深度学习方法易于造成过拟合问题, 研究小样本医学时间序列预测任务, 提出了融合趋势嵌入和粒度增强网络的预测方法. 首先, 在卷积神经网络的框架下, 粒度增强网络分别从时间维度和特征维度将医学时间序列数据提升为三维张量; 其次, 以医学时间序列样本的一阶差分作为方向向量, 基于方向导数生成趋势嵌入表征; 然后, 构建静态空间邻接矩阵和动态时间邻接矩阵, 并通过时空图卷积网络学习时空嵌入表征; 最后, 将构建的时空嵌入、预测嵌入和趋势嵌入整合到基于图卷积网络、门控循环单元和残差网络的网络架构之中, 并以此实现医学时间序列预测. 在4个数据集包括Cancer, ILI, Baries和COVID-19上的实验结果表明, 相较于预测结果最佳的基线模型T-GCN, 文中小样本医学时间序列预测方法在3个评价指标(MAE, MAPE, RMSE)上分别降低了34.0607, 0.0107, 70.6728; 11.1808, 0.0950, 20.7285; 0.3546, 0.1127, 0.4553和449.2437, 0.0144, 1174.7273, 表明其性能优于基线方法, 验证了其可行性及有效性.