[发明专利]一种基于双阶段注意力机制生成对抗网络的金融时间序列预测方法

权利要求书

1.一种基于双阶段注意力机制生成对抗网络的金融时间序列预测方法，其特征在于，包括以下步骤：

S1:获取原始金融时间序列数据，对原始金融时间序列数据进行预处理，得到预处理后金融时间序列数据，对预处理后的金融时间序列数据按照比例划分为训练集数据和测试集数据；

S2:在生成对抗网络的生成模型中引入输入注意力机制和时间注意力机制，构建双阶段注意力机制生成对抗网络模型；

S3:将训练集数据依次输入到双阶段注意力机制生成对抗网络模型中对模型进行训练，获得训练好的双阶段注意力机制生成对抗网络模型；

S4:将测试数据依次输入到训练好的双阶段注意力机制生成对抗网络模型，得到金融时间序列的预测结果。

2.根据权利要求1所述的一种基于双阶段注意力机制生成对抗网络的金融时间序列预测方法，其特征还在于：所述对金融时间序列数据进行预处理的过程如下：

S1-1:采用第三方软件判断原始金融时间序列数据是否存在数据缺少，当原始金融时间序列数据不存在缺少，作为完整的金融时间序列数据进行S1-2；当原始金融时间序列数据存在缺少，则缺少的数据按照缺少数据日期之前的固定时间内的平均值进行补齐,得到完整的金融时间序列数据，进行S1-2；

S1-2:对完整的金融时间序列数据进行归一化处理，得到归一化处理后的金融时间序列数据。

3.根据权利要求2所述的一种基于双阶段注意力机制生成对抗网络的金融时间序列预测方法，其特征还在于：所述归一化处理公式如下：

其中，X^*表示归一化后的数据；X表示预处理后的数据；X_min表示处理后数据的最小值；X_max表示预处理后数据的最大值。

4.根据权利要求1所述的一种基于双阶段注意力机制生成对抗网络的金融时间序列预测方法，其特征还在于：所述双阶段注意力机制生成对抗网络模型的构建方法，步骤如下：

S2-1:基于LSTM的编码－解码器，在编码器前引入输入注意力机制，在解码器前引入时间注意力机制，构建生成模型；

S2-2:使用多个卷积层和全连接层构建判别模型；

S2-3:生成模型选择WGAN中的Wasserstein距离及真实数据和预测数据的均方误差的和作为目标函数，判别模型选择WGAN中判别模型的目标函数作为目标函数。

5.根据权利要求1所述的一种基于双阶段注意力机制生成对抗网络的金融时间序列预测方法，其特征还在于：所述双阶段注意力机制生成对抗网络模型的训练过程如下：

S1:双阶段注意力机制生成对抗网络模型的参数设置；

S2:将训练数据集中的历史数据输入给输入注意力机制进行处理得到输入注意机制处理后数据；

S3:将输入注意机制处理后数据输入给所述编码器进行处理，得到编码器处理后的数据；

S4:将编码器处理后的数据输入给所述时间注意力机制进行处理，得到时间注意力机制处理后的数据；

S5:将时间注意力机制处理后的数据处理输入给解码器进行处理，得到预测值；

S6:所述预测值与训练数据集中的真实值输入给双阶段注意力机制生成对抗网络模型的判别模型进行处理，得到判别信息；

S7:将判别信息反馈输入给生成模型和判别模型，调节生成模型和判别模型的参数，更新参数变化后的生成模型和判别模型，若参数更新后的生成模型和判别模型未收敛则返回S2,进行对抗训练；若参数更新后生成模型和判别模型收敛,则训练结束。