[发明专利]一种时空数据预测建模方法

说明书

本发明公开了一种时空数据预测建模方法，S1：截取一段历史时间内的时空源数据；S2：对时空源数据进行预处理，得到数据集；S3：数据集拆分为第一层数据集和第二层数据集；S4：将第一层数据集中的数据等量拆分，得到数据集A，将数据集A中的每个子集进行base模型训练，得到集合B；S5：将第二层数据集中的数据等量拆分，得到数据集C，将数据集C中的每个子集进行base模型训练，得到集合D；S6：将集合D融合成高阶特征数据集并通过stacking模型训练，得到stackm模型；S7：将集合B和stackm模型组成整体模型得到时空数据预测模型。在海量数据的基础上，采用stacking实现数据驱动的时空数据预测建模，避免以往繁琐的时空数据统计建模过程，提升时空数据建模的效率。

技术领域

本发明涉及数据处理技术领域，特别是一种时空数据预测建模方法。

背景技术

时空数据是同时具有时间和空间维度的数据，现实世界中的数据超80％与地理位置有关，，例如气象监测数据、交通监控数据、区域灾害数据等。随着世界变得仪器化，时空数据比以往任何时候都更加普遍和丰富，而通过时空数据预测技术获取时空数据中的复杂模式对时空数据研究应用来说也变得更加重要且紧迫。

随着互联网、传感器等的普及，时空数据已经成为了大数据时代典型的数据类型，时空数据挖掘也随之成为了数据挖掘领域的一个热门方向。对时空数据进行挖掘有助于发现其中蕴含的时空模式，从而在当前数据上进行推断，以根据已知特征的值来预测目标特征的值。

近年来，深度学习技术快速发展，时空数据预测领域的深度学习模型也得以提出，包括ConvLSTM、DeepST等模型。这些技术的发展使得某些领域(如气象降雨)时空数据预测的性能得到较大提升。但深度学习通常依赖于大规模的可用数据，在气象、交通等领域具有较大的前景。但深度网络往往是“黑箱”、且建模时间、空间复杂度较大，并且需要海量的训练样本，对时空数据中的不确定性表达能力弱。

发明内容

本发明的目的在于克服现有技术的缺点，提供一种时空数据预测建模方法。

本发明的目的通过以下技术方案来实现：一种时空数据预测建模方法，包括以下步骤：

S1：根据预测任务的需求，截取一段历史时间内的时空源数据；

S2：对获取的时空源数据进行预处理，得到数据集作为样本；

S3：将数据集拆分为第一层数据集Data₁和第二层数据集Data₂；

S4：将第一层数据集Data₁中的数据等量拆分成n份，得到数据集{data₁₁,data₁₂,…,data_1n}，将数据集{data₁₁,data₁₂,…,data_1n}中的每个子集data_1i(i∈[1,n])为训练样本进行base模型的训练，得到base模型集合{basem₁,basem₂,…,basem_n}；

S5：将第二层数据集Data₂中的数据等量拆分成m份，得到数据集{data₂₁,data₂₂,…,data_2m｝，将数据集｛data₂₁,data₂₂,…,data_2m}中的每个子集data_2l(l∈[1,m])为训练样本进行base模型的训练，得到base模型集合{pred₁,pred₂,…,pred_m｝；