[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

说明书

本发明涉及一种非平稳时序数据深度预测方法，包括：筛选原始多维变量中的相关变量；分解待预测变量和相关变量，得到相应的分变量；将待预测变量的分变量和相关变量的分变量分别作为深度网络的输入，经过深度网络进行预测，得到各自的预测结果；将待预测变量的预测结果和相关变量的预测结果进行融合，获得最终预测结果。本发明对原始多维变量进行筛选，减少了噪声的引入，也降低了原始数据的维度；对变量进行分解，可以得到更有效的内在数据趋势及特征分量；将待预测变量和相关变量分别预测，将各自的预测结果融合从而得到精准预测结果。本发明还提供一种非平稳时序数据深度预测系统、存储介质及计算机设备。

技术领域

本发明涉及时间序列预测技术领域，尤其涉及一种非平稳时序数据深度预测方法、系统、存储介质及设备。

背景技术

时序数据存在于众多实际系统中，分析时序数据特征并预测其趋势，对系统控制与管理具有实际意义，如气象数据预测，股价数据分析、市场销量预测等。时序数据通常具有维度高、非线性、噪声复杂等特点，时序数据预测面临特征难以提取、趋势规律不明显、干扰因素多等挑战。

现有时序数据分析预测方法，采用单变量直接进行预测，预测网络学习到的特征有限，预测精度低；且无法得到有效的内在数据趋势及特征分量，导致数据噪声对网络训练产生极大影响。

发明内容

本发明所要解决的技术问题是针对现有技术中存在的问题，提供一种非平稳时序数据深度预测方法、系统、存储介质及设备。

为解决上述技术问题，本发明还提供一种非平稳时序数据深度预测方法，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。

为解决上述技术问题，本发明还提供一种非平稳时序数据深度预测系统，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。

为解决上述技术问题，本发明还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述非平稳时序数据深度预测方法。

为解决上述技术问题，本发明还提供一种计算机设备，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，所述处理器执行所述程序时实现上述非平稳时序数据深度预测方法。