[发明专利]一种时间序列数据预测方法、系统、介质及设备

权利要求书

1.一种时间序列数据预测方法，其特征在于，包括：

当获取的原始数据集的数据量小于预设值时，对所述原始数据集进行数据增广，获得多个满足建立预测模型数据需求的扩充集；

建立每个扩充集对应的预测模型，并确定每个预测模型的预测误差的协方差；

利用所有所述预测模型对被测数据集进行预测，获得每个预测模型的预测结果；

将所有预测模型的预测结果通过协方差交叉的方式进行融合，得到最终预测结果。

2.根据权利要求1所述的方法，其特征在于，所述对所述原始数据集进行数据增广，获得多个满足建立预测模型数据需求的扩充集，包括：

利用随机概率算法对所述原始数据集进行扩展，得到多个满足建立预测模型数据需求的扩充集。

3.根据权利要求2所述的方法，其特征在于，所述利用随机概率算法对所述原始数据集进行扩展，得到多个满足建立预测模型数据需求的扩充集，包括：

对原始数据集{x₁,x₂,…,x_n}随进行m轮随机抽样，每轮随机抽取n次，每次抽取一个样本，且抽取后放回原始数据集，每轮抽取的样本形成一个抽样集合X^j，1≤j≤m；对应的概率分布参数为θ_j；

根据概率分布参数置信区间(b_l,b_h)中的置信区间上限b_h和每轮样本抽取次数n得到置信样本数b：

b＝intfloor(n·b_h)

其中，intfloor代表向下取整，从抽样集合X^j中均匀地抽取b个样本，形成置信抽样集合

多次将s个置信抽样集合拼接成一个扩充集，得到多个扩充集；

其中，ε是建立预测模型需要的最小数据量，s＝ceiling(ε/n)，ceiling代表向上取整。

4.根据权利要求1至3所述的方法，其特征在于，每个所述扩充集划分为训练集和验证集；所述建立每个扩充集对应的预测模型，并确定每个预测模型的预测误差的协方差，包括：

将所述扩充集中的时序数据分解为多个分变量，利用训练集对每个分变量建立对应的门限网络GRU，所有分变量的门限网络GRU构成所述扩充集的预测模型；

利用所述门限网络GRU对验证集中对应的分变量进行预测，得到每个分变量的预测结果，将每个所述分变量的预测结果进行融合获得所述验证集的预测结果；

根据所述验证集的预测结果和所述验证集的真实值确定每个扩充集对应的预测模型的预测误差的协方差。

5.根据权利要求4所述的方法，其特征在于，所述根据所述验证集的预测结果和所述验证集的真实值确定每个扩充集对应的预测模型的预测误差的协方差，计算公式如下：

其中，p_i代表第i个预测模型的预测误差的协方差，n代表扩充集中样本数量，代表验证集的真实值，代表验证集的预测结果，t为时间步数，i为模型序号。

6.根据权利要求4所述的方法，其特征在于，所述将所述扩充集中的时序数据分解为多个分变量，包括：

运用STL对扩充集中的数据进行模态分解，将时序数据X_t分解为趋势分量T_t、周期分量S_t和波动分量R_t，获得对应的三组分变量。

7.根据权利要求1至3任一项所述的方法，其特征在于，所述将所有预测模型的预测结果通过协方差交叉的方式进行融合，得到最终预测结果，包括：

根据每个预测模型的预测误差的协方差确定每个预测模型的预测误差的协方差的逆；

根据每个预测模型的预测误差的协方差的逆及每个预测模型的网络权重确定总体协方差的逆；

采用序列最小二乘法优化总体协方差的逆，并根据每个预测模型对被测数据集进行预测的预测结果融合得到最终预测结果。