[发明专利]非平稳时序数据深度预测方法、系统、存储介质及设备在审
申请号: | 201910382724.X | 申请日: | 2019-05-09 |
公开(公告)号: | CN110175637A | 公开(公告)日: | 2019-08-27 |
发明(设计)人: | 金学波;杨念香;王小艺;白玉廷;苏婷立;孔建磊 | 申请(专利权)人: | 北京工商大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06Q10/04 |
代理公司: | 北京棘龙知识产权代理有限公司 11740 | 代理人: | 戴丽伟 |
地址: | 100048*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 预测结果 预测 深度预测 时序数据 存储介质 多维变量 筛选 计算机设备 分解 内在数据 特征分量 原始数据 融合 维度 噪声 网络 引入 | ||
1.一种非平稳时序数据深度预测方法,其特征在于,包括:
依据相关度对原始多维变量进行筛选,筛选出与待预测变量相关度最高的相关变量;
利用季节趋势分解法对所述待预测变量和所述相关变量进行分解,得到相应的分变量;
将所述待预测变量的分变量作为预先构建的第一深度网络的输入,经过所述第一深度网络进行预测,得到所述待预测变量的预测结果;
将所述相关变量的分变量作为预先构建的第二深度网络的输入,经过所述第二深度网络进行预测,得到所述相关变量的预测结果;
将所述待预测变量的预测结果和所述相关变量的预测结果进行融合,获得最终预测结果。
2.根据权利要求1所述的方法,其特征在于,所述依据相关度对原始多维变量进行筛选,筛选出与待预测变量相关度最高的相关变量,包括:
利用皮尔逊相关系数法PCC得到原始多维变量各变量之间的线性相关关系,筛选出与待预测变量相关度最高的相关变量。
3.根据权利要求1所述的方法,其特征在于,还包括预先构建第一深度网络和第二深度网络的步骤;其中,所述第一深度网络和第二深度网络均为卷积神经网络与双向长短期记忆网络的结合网络。
4.根据权利要求3所述的方法,其特征在于,所述预先构建第一深度网络包括:设置所述第一深度网络包括一维卷积层和双向LSTM层,所述一维卷积层设置两层卷积,双向LSTM设置为一层;
将所述待预测变量的分变量和所述待预测变量分别作为所述第一深度网络的输入和输出,训练和测试所述第一深度网络。
5.根据权利要求3所述的方法,其特征在于,所述预先构建第二深度网络包括:设置所述第二深度网络包括一维卷积层和双向LSTM层,所述一维卷积层设置两层卷积,双向LSTM设置为一层;
将所述相关变量的分变量和所述相关变量分别作为所述第二深度网络的输入和输出,训练和测试所述第二深度网络。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述将所述待预测变量的预测结果和所述相关变量的预测结果进行融合,获得最终预测结果,包括:
利用非线性模型MLP网络将所述待预测变量的预测结果和所述相关变量的预测结果进行非线性融合,获得最终预测结果。
7.一种非平稳时序数据深度预测系统,其特征在于,包括:
变量筛选模块,用于依据相关度对原始多维变量进行筛选,筛选出与待预测变量相关度最高的相关变量;
趋势分解模块,用于利用季节趋势分解法对所述待预测变量和所述相关变量进行分解,得到相应的分变量;
分变量预测模块,用于将所述待预测变量的分变量作为预先构建的第一深度网络的输入,经过所述第一深度网络进行预测,得到所述待预测变量的预测结果;
将所述相关变量的分变量作为预先构建的第二深度网络的输入,经过所述第二深度网络进行预测,得到所述相关变量的预测结果;
结果融合模块,用于将所述待预测变量的预测结果和所述相关变量的预测结果进行融合,获得最终预测结果。
8.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在计算机上运行时,使所述计算机执行根据权利要求1至6任一项所述的非平稳时序数据深度预测方法。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的非平稳时序数据深度预测方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京工商大学,未经北京工商大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910382724.X/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种物联网深度神经网络分布式判别推论系统及方法
- 下一篇:一种扬尘源监测方法