[发明专利]结合序列局部特征提取及深度卷积预测模型的预测方法

说明书

本发明提出了一种结合序列局部特征提取及深度卷积预测模型的预测方法，基于对序列本身的周期性进行特征分析提取，通过对序列中每个点位的周期性和相似性权重的计算，融合到空洞卷积模型的每一层中。其思想是对原本没有差异的序列点，赋值上不同的权重值用来区别不同位置对目标预测点的重要。本发明提出一种序列点重要性算法，并结合空洞卷积方法，在交通流序列数据集中进行实验，和深度学习方法相比，本方法在MAPE，MAE和RMSE等指标上均有所提高。

技术领域

本发明属于数据分析领域，具体涉及一种结合序列局部特征提取及深度卷积预测模型的预测方法。

技术背景

交通速度预测是智能交通系统最重要的任务之一。虽然交通速度预测具有数十年的历史，但基于统计模型或传统特征回归模型的传统预测方法(例如Auto RegressiveIntegrated Moving Average，ARIMA和Support Vector Regression，SVR)，由于缺乏计算能力或数据量，流量的高维和非线性特征而无法准确预测。近年来，基于深度学习的模型在图像识别和自然语言等许多领域取得了巨大成功。因此，通过深度学习模型进行预测是一种新趋势。长期短期记忆神经网络(Long Short-Term Memory，LSTM)应用在交通速度预测中，一种基于聚类方法的进化模糊神经网络(Evolving Fuzzy Neural Network，EFNN)被提出了来预测前进多步的行进速度。流量图卷积长短期记忆神经网络(Traffic GraphConvolutional Long Short-Term Memory Neural Network，TGC-LSTM)基于物理网络拓扑创建流量图卷积，并与LSTM结合以提高预测性能。

尽管在交通预测问题中存在各种可用的深度学习解决方案，但发现现有方法或者在周期性数据中预测效果较差，或者需要融入序列以外的其它信息，如序列点之间的关系，序列外部相关属性。这些方法虽然有效果的提升，但是需要的额外信息也较大，无法做到通用性。

发明内容

本发明的目的是针对海量的时序数据进行分析，提出一种结合序列局部特征提取及深度卷积预测模型的预测方法。本发明采用以下技术方案：

结合序列局部特征提取及深度卷积预测模型的预测方法，其特征在于，包括以下步骤：

(1)、通过滑动窗口对序列切片采样

根据滑动窗口的大小，首先对序列末端进行采样得到与滑动窗口大小一致的目标切片，随后从首端开始逐点滑动进行采样得到与序列长度相同数量的切片样本；

(2)、相似度指标计算

对于给定的每一个指标，分别计算出每一个切片样本与目标切片的相似度，得到在该指标下与原始时序等长的相似度向量；

(3)、向量融合与通道转换

将由所有指标计算得到的向量与原始序列在通道方向上进行叠加得到自适应序列；由于经过卷积计算的序列在长度与通道数上均会发生改变，因此在融合前与融合后均需要通过因果卷积来完成通道数量的转换；

(4)神经网络训练与预测

利用时序数据集对WaveNet或TCN深度卷积模型进行训练；对时序数据进行局部敏感特征提取后时序将包含多个通道，通过因果卷积将实现跨通道的交互和信息整合，通过空洞卷积指数级的卷积核膨胀增大模型的感知域，以更好地捕捉长时间的时序依赖性；

预测过程将时序数据作为输入，训练后的模型能够自动对序列的局部敏感信息进行提取并融合到原始序列中，使其包含局部先验周期特征，从而对深度卷积的因果推断作出引导，输出时序未来若干点的预测数值。

对于步骤(1)，所述切片样本在采样时通过邻近点来表示自身特征信息，因此忽略自身点位，若样本长度不足以填满滑动窗口则需要作0值填充。