[发明专利]一种基于降噪算法的改进Elman神经网络的预测方法

说明书

本发明公开的一种基于降噪算法的改进Elman神经网络的预测方法。该预测方法包括：S1、将原始数据按比例划分为训练集、测试集以及验证集；S2、对原始数据采用降噪算法CPW进行降噪，降噪算法CPW通过将原始数据中的不同维度的数据使用CEEMDAN进行分解后结合排列熵使用小波变换对分解出来的IMF进行降噪，然后将经过了降噪处理的序列重构为降噪后的时间序列；S3、构建结合了注意力机制的EAMC神经网络；S4、将降噪后训练集的数据放入神经网络中进行训练，待损失值小于给定的阈值以后，保存训练好的神经网络，结束训练；S5、将待测样本输入经过训练后得到的神经网络中，获得预测结果，可以提高预测的精度。

技术领域

本发明属于计算机神经网络应用技术领域，具体涉及一种基于降噪算法的改进Elman神经网络的预测方法。

背景技术

近年来，在国家大力号召“互联网+”的发展模式和5G逐渐商业普及的背景下，越来越多的存储和服务都部署在云端。这就使得云数据中心的负荷会越来越大。数据中心要完成巨大的计算和存储服务，就需要耗费大量的电力资源。传统的任务调度算法对能耗的感知较弱。如果可以提前得到将来时刻的物理机的资源使用情况，调度算法就可以基于预测的情况提前进行调度决策。从而提高了任务调度的效果和减少了做出调度决策所需要的时间。结合资源使用情况的预测，可以将任务从高负荷的机器分配到低负荷的机器上，也可以将低负载的机器关机以减少待机所耗电力。这样可以提高数据中心的电力使用效率。

目前在对信号进行降噪上比较流行的方法有傅里叶变换、小波变换、奇异谱分析以及经验模态分解（Empirical Mode Decomposition, EMD）等方法。而集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）和基于自适应白噪声的完全经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise ,CEEMDAN）是EMD的改进方法。使用EMD以及其改进方法，可以将一个信号分解成多个信号，然后针对里面噪声成分多的信号进行噪声的去除。最后将经过处理以后的噪声通过加和重构出降噪以后的信号（Cao J, Li Z, Li J. Financial time series forecasting modelbased on CEEMDAN and LSTM[J]. Physica A: Statistical Mechanics and itsApplications, 2019, 519: 127-139.）。然而，傅里叶变换只能得知一段信号总体上包含哪些频率的成分，对非平稳的时间序列信号的处理有明显的缺陷。此外，单独使用上述的降噪算法对信号进行降噪，容易出现对阈值和重组成分的选择问题，进而导致对原始的时间序列的降噪不充分或者平滑过渡导致重要信息丢失。一个合适的降噪算法，能够有效对序列进行平滑，从而使得后续的数据分析能够更好地将注意力集中在数据的本质特征上。