[发明专利]一种基于贝叶斯优化及小波分解的时序预测方法及装置

权利要求书

1.一种基于贝叶斯优化及小波分解的时序预测方法，其特征在于，所述方法包括：

根据贝叶斯优化方法对模型超参数进行优化获得最优超参数，所述模型超参数包括小波分解层数、小波分解中的母小波函数和GRU子预测器的超参数；

获取采集数据，根据优化后获得的小波分解层数和小波分解中的母小波函数对所述采集数据进行小波分解获得分解结果；

搭建基于GRU子预测器，根据优化后获得的GRU子预测器的超参数对所述分解结果进行学习和预测获得训练结果；

根据所述训练结果获得预测结果。

2.根据权利要求1所述的方法，其特征在于，所述根据贝叶斯优化方法对模型超参数进行优化获得最优超参数的过程包括：

定义模型超参数优化的目标函数，所述模型超参数优化的目标函数服从高斯分布；

根据所述模型超参数优化的目标函数获得贝叶斯优化的目标函数；

对所述模型超参数优化的目标函数进行高斯过程处理获得所述模型超参数优化的目标函数的后验概率；

根据所述后验概率的均值和方差采用UCB采集函数对所述贝叶斯优化的目标函数进行参数更新获取最优超参数。

3.根据权利要求1或2所述的方法，其特征在于，所述获取采集数据，根据优化后获得的小波分解层数和小波分解中的母小波函数对所述采集数据进行小波分解获得分解结果的过程包括：

根据所述优化后获得的母小波函数以及所述母小波函数所对应的父小波函数将所述采集数据分解为低频分量和高频分量，其中分解层数根据所述优化后获得的小波分解层数确定；

通过低频滤波器对所述低频分量进行处理获得低频子序列；

通过高频滤波器对所述高频分量进行处理获得高频子序列。

4.根据权利要求3所述的方法，其特征在于，所述搭建基于GRU子预测器，根据优化后获得的GRU子预测器的超参数对所述分解结果进行学习和预测获得训练结果的过程包括：

基于Keras Tensorflow框架搭建GRU子预测器；

通过所述GRU子预测器对小波分解后获得的低频子序列和高频子序列分别进行学习和预测获得各子序列的训练结果。

5.根据权利要求4所述的方法，其特征在于，所述根据所述训练结果获得预测结果的过程包括：

将所述各子序列的训练结果进行求和处理获得预测结果。

6.一种基于贝叶斯优化及小波分解的时序预测装置，其特征在于，所述装置包括处理器，所述处理器，其被配置有处理器可执行的操作指令，以执行如下操作：

根据贝叶斯优化方法对模型超参数进行优化获得最优超参数，所述模型超参数包括小波分解层数、小波分解中的母小波函数和GRU子预测器的超参数；

获取采集数据，根据优化后获得的小波分解层数和小波分解中的母小波函数对所述采集数据进行小波分解获得分解结果；

搭建基于GRU子预测器，根据优化后获得的GRU子预测器的超参数对所述分解结果进行学习和预测获得训练结果；

根据所述训练结果获得预测结果。

7.根据权利要求6所述的装置，其特征在于，所述处理器，其被配置有处理器可执行的操作指令，以执行如下操作：

定义模型超参数优化的目标函数，所述模型超参数优化的目标函数服从高斯分布；

根据所述模型超参数优化的目标函数获得贝叶斯优化的目标函数；

对所述模型超参数优化的目标函数进行高斯过程处理获得所述模型超参数优化的目标函数的后验概率；

根据所述后验概率的均值和方差采用UCB采集函数对所述贝叶斯优化的目标函数进行参数更新获取最优超参数。