[发明专利]一种基于LSTM的供热用气量预测模型

说明书

本发明涉及TT‑LSTM(Temperature and Time offset‑Long Short‑Term Memory)其主要技术特点是：提出了对于一种供热用气量预测模型，该模型基于长短时记忆网络引入气象温度和时间的偏移量作为输入维度对供热用气量进行预测，并通过测试集验证模型的准确性。本发明设计合理，为了验证模型的准确性，与RNN模型、输入维度为用气量的LSTM模型、输入维度为用气量和温度的LSTM模型、输入维度为用气量与时间偏移量的LSTM模型进行对比，其预测拟合曲线效果更佳。从原始数据的预测效果，LSTM(用气量)模型预测效果要优于RNN模型，加入时间偏移量作为输入维度的LSTM模型与加入温度作为输入维度的LSTM模型预测效果优于LSTM(用气量)模型，而效果最好的是本发明提出的TT‑LSTM模型。本发明对供热领域的用气量预测有很好的适用性，从而有效地利用能源。

技术领域

本发明属于供热领域的时序数据预测，涉及一种基于LSTM神经网络的时间序列预测模型。

背景技术

现在时间序列预测是热门的研究方向之一。时间序列就是按照时间顺序记录的一组数据，普遍存在于交通、金融、物流、科学工业等诸多领域，如天气数据的变化、股票价格序列的变化以及电力负荷的变化等，它反映了事物随着时间推移而产生状态上的变化与发展规律。时间序列数据在变化过程中都有某种特定的规律性。

时间序列数据挖技术就是从大量的时间序列数据记录中获取研究对象内在隐含未知的，但是应用价值高的、具有强烈时间特性的信息，并根据不同行业的需求对时间序列进行趋势的预测，指导人们日常的生活和工业生产等行为。

时间序列数据挖掘由于不同的研究会存在不同的侧重点，所以对时间序列数据挖掘也就有不同的研究任务。时间序列数据挖掘分为时序数据预处理，时序数据的变换，时序数据分割，相似性度量，时序序列的聚类问题，时序的异常检测，时间序列的预测，时序的关联分析等等。

时间序列预测一直是众多科学领域感兴趣的问题，时间序列预测根据时间序列型数据，由历史的和当前的数据推测未来的数据，也可以认为是以时间为关键属性的关联知识。时间序列预测即根据已知的时间序列所反映出的发展过程和规律，通过特定的预测模型进行拟合，从而预测其未来的变化趋势的方法。不同行业可以根据需求对时间序列构建合理的预测模型，这对于现实生活和工业生产都有着重大的意义。对于供热领域分析用气规律性，可以更加合理的为供热系统提供有利信息，在达到最低供热要求的情况下，降低供热能耗。

而近些年来，学者们研究出了许多时序预测模型。

首先是ARIMA模型，它通过建立适当的数学模型去拟合历史时间趋势曲线，根据所建模型来预测未来时间序列趋势曲线，但这种方法通常面临滞后性等问题。

小波分析法也是一个不错的时序预测方法，它可以对非平稳时间序列有较好的预测效果，起源于上世纪80年代。它将非平稳序列中的平稳部分挖掘出来，组成新序列，然后通过得到的新序列带入模型进行预测，最后在将序列非平稳化。

马尔科夫预测法也是学者们常用的方法，其时间序列预测下一时刻的状态只与当前时刻的状态有关，与当前时刻之前的任何时候均无关系。它只能计算得出下一时刻的时间序列到达某一值的概率有多大，但并不能完全确定序列的走势.

BP神经网络对非线性数据有很好的快速建模能力，预测效果比传统时序方法(如ARIMA)要好，更具有一定的泛化能力，但容易陷入局部极小的状态，得不到全局的最优解。

循环神经网络(RNN)是用来专门处理序列数据，RNN中一个序列当前的输出不仅依赖于当前输入，同时也依赖前一时刻的网络状态。理论上，通过反向传播RNN需要展开成参数共享的多层前馈神经网络，历史信息的长度就对应了展开的层数。过多的层数不仅使得训练速度变得极慢，最关键的是会出现梯度消失和梯度爆炸问题。