[发明专利]基于stacking集成学习算法的时空数据预测方法

权利要求书

1.基于stacking集成学习算法的时空数据预测方法，其特征在于包括以下步骤：

1)、利用stacking集成学习算法建立时空数据预测模型；利用stacking集成学习算法建立时空数据预测模型的方法包括包括以下步骤：

A、针对时空数据预测任务的需要，提取一段历史时间内的时空源数据；

B、对提取的时空源数据进行时空数据处理得到时间、空间或时空维度上的动态特征数据集；所述时空数据处理包括数据异常识别、时空数据融合、时空动态特征数据生成三个基本数据处理过程；

C、设置时间分割点T₀,将步骤B得到的动态特征数据集分为第一层数据集Data₁和第二层数据集Data₂，第一层数据集Data₁和第二层数据集Data₂的分割标准为：若动态特征数据集中的数据所对应的时间小于时间分割点T₀，则将该数据划分至第一层数据集Data₁中，动态特征数据集中的数据所对应的时间大于时间分割点T₀，则将该数据划分至第二层数据集Data₂中；

D、将第一层数据集中的数据随机拆分成n份，得到数据集{data₁₁,data₁₂,...,data_1n}；

E、将数据集{data₁₁,data₁₂,...,data_1n}中的每个子集data_1i(i∈[1,n])为训练样本，进行base模型的训练，得到base模型集合{basem₁,basem₂,…,basem_n}；

F、利用base模型预测第二层数据集Data₂的结果{pred₁,pred₂,...,pred_n}；

G、将第二层数据集Data₂的静态空间特征、base模型的预测结果{pred₁,pred₂,…,pred_n}融合成高阶特征数据集NewData₂；

H、在NewData₂数据集上训练stacking模型，得到stackm模型；

I、将训练好的第一层{basem₁,basem₂,...,basem_n}和第二层模型stackm组成整体模型结构得到时空数据预测模型；

2)、针对时空数据预测任务的需要，提取从当前时间开始往前一段历史时间内的时空源数据；

3)、将步骤2)获得的时空源数据集输入时空数据预测模型即可预测得到未来一段时间内的时空数据。

2.如权利要求1所述的基于stacking集成学习算法的时空数据预测方法，其特征在于：在步骤C中，所述第一层数据集Data₁的数据量和第二层数据集Data₂的数据量之比为7:3或6:4。

3.如权利要求2所述的基于stacking集成学习算法的时空数据预测方法，其特征在于：在步骤E中，每个base模型的训练包括参数寻优、模型训练以及数据预测。

4.如权利要求3所述的基于stacking集成学习算法的时空数据预测方法，其特征在于：所述base模型中的参数寻优算法采用随机搜索算法或贝叶斯搜索算法。

5.如权利要求4所述的基于stacking集成学习算法的时空数据预测方法，其特征在于：所述base模型中的模型训练算法采用决策树或随机森林或GBDT。

6.如权利要求5所述的基于stacking集成学习算法的时空数据预测方法，其特征在于：在步骤H中，所述stacking模型的训练包括参数寻优、学习训练以及数据预测。