[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

说明书

本发明提出了一种基于贝叶斯优化及小波分解的时序预测方法，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。本发明使用贝叶斯优化算法进行超参数的优化，在长期的时间序列预测任务中具有很高的准确度。

技术领域

本申请涉及时间序列预测领域，尤其涉及一种基于贝叶斯优化及小波分解的时序预测方法及装置。

背景技术

随着工业化和城市化进程不断推进，信息存储、传感器网络和计算机技术迅速发展，互联网等技术在人们生活中逐渐扮演重要角色。在互联网的各类交互任务中大量的信息与之而来，这些信息大多是按照相同的时间间隔依次连续产生的时间序列，如气象监测站的温度、大气PM2.5浓度等数据，这些数据不仅是对历史事件的简单记录，同时它们存储了很多有用的信息，比如气象监测站的温度数据中包含一年四季的温度变化规律。因此，针对这些时间序列进行研究挖掘出数据中的潜藏信息，就可以掌握其变化规律提前进行未来数据的预测。

针对历史时序数据进行建模来对未来一段时间的数据进行预测是时序预测的范畴，目前在时序预测领域的研究已经有一定的基础，其方法大致可分为两类。一种是传统概率方法，传统的时间预测方法受到给定数据知识的极大限制，建模条件也比较苛刻，所以这类方法的效果并不好；另一种是机器学习方法，这种方法只需要知道历史数据就可以根据任务需求设计用于参数学习的算法，相对而言模型的建模也比较容易，往往机器学习方法在非线性的预测任务中表现更好。

基于机器学习的时序预测方法是从浅层神经网络开始，但由于网络深度的限制，浅层网络无法准确地对复杂数据进行建模，因此浅层神经网络只能应用在短期预测中，而无法进行准确的长期预测任务。为了改善浅层网络的弊端，网络的结构逐渐加深，循环神经网络(Recurrent Neural Network，RNN)、GRU等深度神经网络成为时序预测的主流研究方向。但经过研究，由于大多数的时间序列数据是从现实环境中获取，因此数据往往具有很强的波动性、随机性、复杂性，只依靠深度神经网络对其进行分析和学习也很难保证预测准确度。

发明内容

为解决上述技术问题之一，本发明提供了一种基于贝叶斯优化及小波分解的时序预测方法及装置。

本发明实施例第一方面提供了一种基于贝叶斯优化及小波分解的时序预测方法，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。

优选地，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。