一种多变量扭曲时间序列预测方法技术

本发明专利技术公开了一种多变量扭曲时间序列预测方法，所述预测方法包括如下步骤：1建立训练样本集；2构建多变量时间序列卷积神经网络模型；所述多变量卷积神经网络模型至少包括依次连接的输入层、特征提取层、卷积层模块、各变量全连接层、所有变量全连接层和输出层；3训练多变量时间序列卷积神经网络模型；4组装多变量时间序列卷积神经网络模型,得到的多变量时间序列预测系统；5利用多变量时间序列预测系统对电力消耗的多变量时间序列进行预测。该方法用于对电网系统的电力消耗进行预测，克服了传统方法没有充分利用序列抽象特征、容易受到数据扭曲影响的缺点，可以降低扭曲数据对预测结果精度的影响，可靠性强。

A multi variable distortion time series prediction method

The present invention discloses a multi variable distortion time series prediction method. The prediction method includes the following steps: 1 a training sample set is set up, and 2 constructs a multivariable time series convolution neural network model, and the multivariable convolution neural network model includes at least the successively connected input layer, feature extraction layer, convolution layer module, and the model of the multivariable convolution neural network. All variables are all connected layer, all variable full connection layer and output layer; 3 train multivariable time series convolution neural network model; 4 assemble multivariable time series convolution neural network model, get multivariable time series prediction system; 5 use multivariable time series to predict the multivariable time series of power consumption by system of multivariable time series Line forecast. This method is used to predict the power consumption of the power grid system. It overcomes the shortcomings that the traditional methods do not make full use of the abstract features of the sequence and are easily affected by the distortion of the data. It can reduce the influence of the distorted data on the accuracy of the prediction results, and the reliability is strong.

【技术实现步骤摘要】
一种多变量扭曲时间序列预测方法
本专利技术涉及多变量时间序列预测
，特指一种多变量扭曲时间序列预测方法。
技术介绍
随着工业的发展和城市的建设，城市电网的供电能力与居民的生活质量变得息息相关，时间序列分析是规划电网供电的有效途径之一。时间序列为按照时间顺序排列的一系列数据点值，时间序列分析则是基于这些有序观测数据，利用数理统计等方法研究其统计规律，从而预测未来数据、解决实际问题。现有的时间序列预测方法没有充分利用可获得序列的全部抽象特征，往往采用的是单变量时间序列预测，即仅利用预测目标时间序列的抽象特征进行预测。但实际上，事物是存在相互关联的，也就是说，在同一应用领域的不同变量的时间序列存在关联性和共现度，存在单变量时间序列特征的局限性，得到信息不够全面准确，预测结果不够精确。此外，无法克服时间序列数据扭曲是现有方法的另一缺陷，这种时间片段在时间轴上的平移或者乱序，对时间序列的分析预测来说是一个挑战。
技术实现思路
本专利技术旨在至少在一定程度解决上述现有技术存在的多个问题之一。为此，本专利技术一个实施方式提供一种基于卷积神经网路的多变量扭曲时间序列预测方法，该方法包括如下步骤：S本文档来自技高网...

【技术保护点】
一种基于卷积神经网路的多变量扭曲时间序列预测方法，其特征在于，所述预测方法包括如下步骤：S101建立训练样本集；所述训练样本集是电网系统的多变量时间序列，至少包括目标时间序列和条件时间序列；S102构建多变量时间序列卷积神经网络模型；所述多变量卷积神经网络模型至少包括依次连接的输入层、特征提取层、卷积层模块、各变量全连接层、所有变量全连接层和输出层；S103训练多变量时间序列卷积神经网络模型；初始化后，采用随机梯度下降法对步骤S102构造的多变量时间序列卷积神经网络模型进行迭代，每迭代一次检验一次梯度，以寻求各网络层权重和偏置的最优解，迭代多次后得到最优多变量时间序列卷积神经网络模型；S104...

【技术特征摘要】
1.一种基于卷积神经网路的多变量扭曲时间序列预测方法，其特征在于，所述预测方法包括如下步骤：S101建立训练样本集；所述训练样本集是电网系统的多变量时间序列，至少包括目标时间序列和条件时间序列；S102构建多变量时间序列卷积神经网络模型；所述多变量卷积神经网络模型至少包括依次连接的输入层、特征提取层、卷积层模块、各变量全连接层、所有变量全连接层和输出层；S103训练多变量时间序列卷积神经网络模型；初始化后，采用随机梯度下降法对步骤S102构造的多变量时间序列卷积神经网络模型进行迭代，每迭代一次检验一次梯度，以寻求各网络层权重和偏置的最优解，迭代多次后得到最优多变量时间序列卷积神经网络模型；S104组装多变量时间序列卷积神经网络模型；将步骤S103得到的最优多变量时间序列卷积神经网络模型的各网络层先后依次连接，得到多变量时间序列预测系统；S105利用步骤S104得到的多变量时间序列预测系统对电力消耗的多变量时间序列进行预测。2.根据权利要求1所述的基于卷积神经网路的多变量扭曲时间序列预测方法，其特征在于，所述输入层为每一个变量的时间序列分别提供一个输入接口。3.根据权利要求2所述的基于卷积神经网路的多变量扭曲时间序列预测方法，其特征在于，所述特征提取层提供一个嵌入的扭曲数据处理机制，用于将扭曲时间序列中相邻的几个时间片段融合得到一个抽象特征向量；所述特征提取层输出定义如下：其中，j代表是模型的第几层网络，xi∈Rl是X∈Rd×l的第i列，代表第i个变量时间序列，y是预测目标时间序列，是第...

【专利技术属性】
技术研发人员：庞宁，李旻浩，赵翔，肖卫东，殷风景，葛斌，张啸宇，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43