[发明专利]基于多元时序数据分析的高精度长期时间序列预测方法

权利要求书

1.基于多元时序数据分析的高精度长期时间序列预测方法，其特征在于，步骤如下：

步骤1：数据预处理，获得训练数据集和验证数据集；

步骤2：借助于步骤1得到的训练数据集，每次随机选取32组训练数据，输入到离散框架模型中，每组数据中的历史序列和起始序列分别输入到离散框架模型中的真实编码器和预测编码器中，两个编码器通过离散网络对输入序列提取全局特征和局部特征；

步骤3：将真实编码器输出的全局特征和局部特征进行维度变换，将变换后的特征与预测编码器输出的特征进行拼接，作为最终的全局特征和局部特征；

步骤4：将最终的全局特征和局部特征输入至解码器中，通过离散网络对步骤3最终得到的全局特征与各层局部特征进行重构，从而得到最终的生成预测序列；

步骤5：计算步骤4得到最终的生成预测序列与预测序列之间的均方误差MSE和平均绝对误差MAE，然后通过Adam优化器进行反向传播，更新网络参数；最终得到训练好的离散框架模型；

步骤6：通过验证数据集集对离散框架模型进行测试；

将步骤1得到的验证数据集输入至训练好的离散框架模型中，最终得到基于验证数据集生成的预测序列；

步骤7：计算基于验证数据集生成的预测序列与真实预测序列之间的均方误差MSE，求得所有组数据的均方误差MSE后求均值，得到基于验证数据集的MSE误差；

步骤8：重复步骤2至步骤7，直至步骤7得到的均方误差MSE不再减小，说明模型表现无法再变好，则网络参数更新完毕，模型结束训练；

步骤9：将预测任务所给的输入序列输入到步骤8最终得到的训练好的模型中，进行序列预测，输出最终得到的预测序列，完成预测。

2.根据权利要求1所述的基于多元时序数据分析的高精度长期时间序列预测方法，其特征在于，步骤1具体方法如下：

选取合适的公共时间序列数据集，对其进行分组与分割以适应模型对数据格式的要求；首先根据需求设定每组数据中的历史序列长度、预测序列长度和起始序列长度，这三个长度分别对应每组数据中的三个部分：历史序列、预测序列和起始序列；采用滑窗机制进行分组，窗口长度为历史序列长度与预测序列长度之和，每次窗口移动一位，即相邻两组数据之间只有一位上的不同；在完成数据分组之后，截取70％组数据作为训练数据集，30％组数据作为验证数据集。

3.根据权利要求2所述的基于多元时序数据分析的高精度长期时间序列预测方法，其特征在于，在长度上，起始序列长度小于等于历史序列长度，在数值上，起始序列与历史序列的后部分相同；历史序列与预测序列在位置上是前后相接的，每组数据的长度为历史序列长度与预测序列长度之和。

4.根据权利要求1所述的基于多元时序数据分析的高精度长期时间序列预测方法，其特征在于，步骤2所述的离散框架Sepformer模型由真实编码器True Encoder、预测编码器Pred Encoder和一个解码器Decoder构成；真实编码器需要输入每组数据中的历史序列，从中提取序列的历史特征；预测编码器需要输入每组数据中的起始序列，使用起始序列来预测后边预测序列长度的序列；每组数据中的预测序列作为正确的结果与模型最终输出的生成预测序列进行比较，计算二者之间的误差。