[发明专利]一种面向短期时间序列预测的预期性学习方法和系统

说明书

本发明公开了一种面向短期时间序列预测的预期性学习方法和系统，解决短期高维时间序列的预测问题，实现对短期高维数据的精确多步预测。其技术方案为：从时序数据中选出用于预测的变量，基于训练出的两个神经网络模型进行面向短期时间序列预测的预期性学习，最终输出已选预测变量需要预测的部分。

技术领域

本发明涉及时间序列预测领域，具体涉及一种面向短期时间序列预测的预期性学习方法和系统。

背景技术

预测时间序列数据的未来值是一项具有挑战性的任务，特别是当只有少数具有高维变量的样本可用时。实际上，这些数据被认为是不可预测的，因为统计信息很少。然而，这类数据在许多领域(物理学、经济学、生物学、医学等)都得到了广泛的应用，因此它们对预测的准确性和可靠性提出了很高的要求。在这方面的任何创新进展都具有广泛的意义。

现有的时间序列预测方法，如ARIMA、鲁棒性回归、指数平滑等统计性方法，长短记忆网络等机器学习的方法，都需要足够长期测量的时间序列。然而，由于信息的缺乏，没有一种有效的方法可以对短期时间序列进行预测。此外，短期高维时间序列在各个领域受到了越来越多的关注，但对短期高维时间序列的预测却很少被人研究。

因此，如何解决短期高维时间序列的预测问题，成为目前业界亟待解决的问题。

发明内容

以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。

本发明的目的在于解决上述问题，提供了一种面向短期时间序列预测的预期性学习方法和系统，能够解决短期高维时间序列的预测问题，实现对短期高维数据的精确多步预测。实验证明，该方法在实际数据预测上具有惊人的预测准确率。

本发明的技术方案为：本发明揭示了一种面向短期时间序列预测的预期性学习方法，方法包括：

步骤1：从时序数据中选出一用于预测的变量并记为x，再从数据集中选出时长为t_train的数据段作为训练集data，对应的x[0：t_train]作为标签集用以预测未来的时长为t_prediction的变量x[t_train：t_train+t_prediction]；

步骤2：执行后续步骤的循环处理当前预测的点x[t_train+num]，其中num表示本次预测的变量的下标，令num的初始值为0；

步骤3：利用训练集和标签集来训练两个神经网络和其中神经网络的训练集train₁为data[1：t_train-1]，神经网络的训练集train₂为data[0：t_train-2]，该两个神经网络的标签集label均为x[2+num：t_train]，得到神经网络训练的输出为output₁，训练的输出为output₂，该两个神经网络的损失函数均为：

损失函数＝

自身训练时的均方误差+α*(output₁和output₂的均方误差)，

其中α为超参；