[发明专利]一种提升时间序列预测效果的方法和系统

权利要求书

1.一种提升时间序列预测效果的方法，其特征在于，包括以下步骤：将一定长度的历史时间序列进行积分累加，或者进行一定代数处理后进行积分累加，称为历史积分序列；以一组固定长度的历史积分序列作为预测模型输入，经过预测模型计算后输出接下来一个或多个时间点的序列，称为未来积分序列预测值；对未来积分序列进行差分计算，得到未来时间序列预测值；

预测模型的目标为：使未来时间序列预测值与未来时间序列真实值的差距尽可能地小，预测模型需要先根据已有的时间序列数据也就是过去数据训练得到预测模型的参数，该预测模型用于预测未来时间序列。

2.根据权利要求1所述的一种提升时间序列预测效果的方法，其特征在于，具体步骤为：

步骤1：收集一定长度的时间序列数据，划分训练集和测试集，步骤2至步骤4中用到的任意时间序列都来自训练集；

步骤2：对历史时间序列进行积分处理，得到历史积分序列，对历史积分序列进行归一化；

步骤3：初始化预测模型，将训练集的历史积分序列输入模型进行训练；

步骤4：通过网格搜索算法重复训练预测模型，选择预测模型的最优超参数；

步骤5：将测试集历史积分序列做归一化处理后，输入训练好的模型，得到测试集的未来积分序列预测值；

步骤6：对测试集的未来积分序列预测值进行反归一化和差分运算，得到未来时间序列预测值；

步骤7：评估测试集上的预测准确率。

3.根据权利要求2所述的一种提升时间序列预测效果的方法，其特征在于，步骤1中划分训练集和测试集具体方法为：将整个数据集以时间顺序按照70％/30％的比例划分训练集和测试集，即前70％为训练集，后30％为训练集；设训练集共包含N条时间序列数据，对于任意一条时间序列数据(y₁,y₂,…,y_t)，选定参数l，lt，序列的前l条数据构成的子序列为历史时间序列，第l+1到l+a条数据构成的子序列为未来时间序列，记为(y_l+1,y_l+2,…,y_l+a)。

4.根据权利要求3所述的一种提升时间序列预测效果的方法，其特征在于，步骤2中所述积分处理定义为，某一时间戳的积分量Y_i等于自第一个时间序列数据Y₁到该时间戳对应的时间序列Y_t数据对应的所有时间序列数据的累加，即由此可得到积分时间序列(Y₁,Y₂,…,Y_N).积分处理可将波动序列转化为平滑的单调递增序列；归一化方法采用线性归一化，即由此将积分序列数值范围控制在[0,1]，便于后续计算。

5.根据权利要求4所述的一种提升时间序列预测效果的方法，其特征在于，步骤3中所述预测模型采用门控循环单元神经网络GRU作为预测模型；该预测模型包含一层GRU层和一层全连接层；GRU层的计算单元是以ReLU为激活函数的多层全连接神经网络，在每个时间节点t，该循环神经网络的输入层维度为输出为该输出表示基于第t个时间点对第t+1时间点的预测；全连接层以ReLU为激活函数，其输入为GRU层的输出，其输出为长度为a的一维向量，即未来积分序列预测值。

6.根据权利要求5所述的一种提升时间序列预测效果的方法，其特征在于，步骤4中网格搜索算法即穷举搜索，在所有候选的超参数组合中，通过循环遍历，表现最好的参数作为最终的结果。

7.根据权利要求6所述的一种提升时间序列预测效果的方法，其特征在于，步骤6中反归一化即归一化的逆运算，即Y_i＝Y′_i(Y_max-Y_min)+Y_min；由所述步骤2中对积分序列的定义可知，某时间戳对应的时间序列的值等于当前时间戳和前一时间戳的积分时间序列值的一阶差分，即y_t＝Y_t-Y_t-1；由此可得未来时间序列预测值。