基于CNN的时间序列预测方法和模型确定方法技术

本申请涉及一种基于CNN的时间序列预测方法和模型确定方法。所述预测方法包括：获取历史时间序列数据，根据历史时间序列数据的周期特性，确定周期参数，周期参数包括周期类型及其对应的周期时长；基于预测时间点、历史时间序列数据、周期参数以及预设循环跨度，确定预测时间点在历史时间序列数据中对应的分量数据，分量数据包括最接近时间段数据和周期数据；采用确定好的CNN模型对分量数据进行预测，得到预测时间点对应的预测结果。采用本方法能够高效准确地预测出之后的时间序列信息。

Time Series Prediction Method and Model Determination Method Based on CNN

【技术实现步骤摘要】
基于CNN的时间序列预测方法和模型确定方法
本申请涉及计算机
，特别是涉及一种基于CNN的时间序列预测方法、装置、计算机设备和存储介质，以及一种基于CNN的时间序列预测模型确定方法、装置、计算机设备和存储介质。
技术介绍
时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列，时间序列预测的主要目的是根据已有的历史数据对未来进行预测。随着人工神经网络的发展，循环神经网络(RNN)在时间序列预测方面的应用已经变得越来越成熟。然而，目前对于一个时间序列，RNN只能从时间轨迹中提取数据的长期和短期相关信息，无法对该序列的周期性信息给出反馈，存在耗时久、预测结果不够准确的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种基于CNN的时间序列预测方法、装置、计算机设备和存储介质，以及一种基于CNN的时间序列预测模型构建方法、装置、计算机设备和存储介质。一种基于CNN的时间序列预测方法，所述方法包括：获取历史时间序列数据，根据所述历史时间序列数据的周期特性，确定周期参数，所述周期参数包括周期类型及其对应的周期时长；基于预测时间点、所述历史时间序列数据、所述周期参数以及预设循环跨度，确定所述预测时间点在所述历史时间序列数据中对应的分量数据，所述分量数据包括最接近时间段数据和周期数据；采用确定好的CNN模型对所述分量数据进行预测，得到所述预测时间点对应的预测结果。一种基于CNN的时间序列预测装置，所述装置包括：周期参数获取模块，用于获取历史时间序列数据，根据所述历史时间序列数据的周期特性，确定周期参数，所述周期参数包括周期类型及其对应的周期时长；分量数据确定模块，用于基于预测时间点、所述历史时间序列数据、所述周期参数以及预设循环跨度，确定所述预测时间点在所述历史时间序列数据中对应的分量数据，所述分量数据包括最接近时间段数据和周期数据；预测模块，用于采用确定好的CNN模型对所述分量数据进行预测，得到所述预测时间点对应的预测结果。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述基于CNN的时间序列预测方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于CNN的时间序列预测方法的步骤。上述基于CNN的时间序列预测方法、装置、计算机设备和存储介质，通过分析时间序列的周期特性，并根据该周期特性对待测试数据进行处理，提取包括最接近时间段数据和周期数据的分量数据，其中，周期数据可以包括多组数据，如短周期数据和长周期数据，通过这些分量数据可以从全局出发整合时间序列的特征，从而卷积神经网络对这些分量数据进行分析时，可以提取到全面、准确的数据特征，进而高效准确地预测出之后的时间序列信息。一种基于CNN的时间序列预测模型确定方法，所述方法包括：获取时间序列样本数据，根据所述时间序列样本数据的周期特性，确定周期参数，所述时间序列样本数据包括待训练数据和待测试数据，所述周期参数包括周期类型及其对应的周期时长；基于所述待训练数据、所述时间序列样本数据、所述周期参数以及预设循环跨度，确定所述待训练数据在所述时间序列样本数据中对应的分量数据，所述分量数据包括最接近时间段数据和周期数据；采用待训练CNN模型对所述分量数据进行训练，得到所述待训练数据对应的训练结果，根据所述待训练数据对应的训练结果与真实结果的差异，调整所述待训练CNN模型的参数，并继续训练直至满足训练结束条件，得到训练过的模型。一种基于CNN的时间序列预测模型确定装置，所述装置包括：周期参数获取模块，用于获取时间序列样本数据，根据所述时间序列样本数据的周期特性，确定周期参数，所述时间序列样本数据包括待训练数据和待测试数据，所述周期参数包括周期类型及其对应的周期时长；分量数据确定模块，用于基于所述待训练数据、所述时间序列样本数据、所述周期参数以及预设循环跨度，确定所述待训练数据在所述时间序列样本数据中对应的分量数据，所述分量数据包括最接近时间段数据和周期数据；训练模块，用于采用待训练CNN模型对所述分量数据进行训练，得到所述待训练数据对应的训练结果，根据所述待训练数据对应的训练结果与真实结果的差异，调整所述待训练CNN模型的参数，并继续训练直至满足训练结束条件，得到训练过的CNN模型。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述基于CNN的时间序列预测模型确定方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于CNN的时间序列预测模型确定方法的步骤。上述基于CNN的时间序列预测模型确定方法、装置、计算机设备和存储介质，通过分析时间序列的周期特性，并根据该周期特性对待训练数据进行处理，提取包括最接近时间段数据和周期数据的分量数据，其中，周期数据可以包括多组数据，如短周期数据和长周期数据，通过这些分量数据可以从全局出发整合时间序列的特征，从而卷积神经网络对这些分量数据进行分析时，可以提取到全面、准确的数据特征，进而高效准确地预测出之后的时间序列信息，此外，将分量数据输入卷积神经网络进行处理，可以提高数据并行计算的能力，加快训练和测试的速度，节省模型训练和测试的时间。附图说明图1为一个实施例中基于CNN的时间序列预测方法的流程示意图；图2为一个实施例中交通数据集的短周期信息示意图；图3为一个实施例中太阳能数据集的短周期信息示意图；图4为一个实施例中交通数据集的长周期信息示意图；图5为一个实施例中太阳能数据集的长周期信息示意图；图6为一个实施例中交通数据集的自相关示意图；图7为一个实施例中太阳能数据集的自相关示意图；图8为一个实施例中基于CNN的时间序列预测方法的流程示意图；图9为一个实施例中Resnet网络结构示意图；图10为一个实施例中基于CNN的时间序列预测模型确定方法的流程示意图；图11为一个实施例中为模型数据并行计算结构示意图；图12为一个实施例中基于CNN的时间序列预测装置的结构框图；图13为一个实施例中基于CNN的时间序列预测模型确定装置的结构框图；图14为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。在一个实施例中，如图1所示，提供了一种基于CNN的时间序列预测方法，包括以下步骤S102至步骤S106。S102，获取历史时间序列数据，根据所述历史时间序列数据的周期特性，确定周期参数，所述周期参数包括周期类型及其对应的周期时长。S104，基于预测时间点、所述历史时间序列数据、所述周期参数以及预设循环跨度，确定所述预测时间点在所述历史时间序列数据中对应的分量数据，所述分量数据包括最接近时间段数据和周期数据。S106，采用确定好的CNN模型对所述分量数据进行预测，得到所述预测时间点对应的预测结果。上述基于CNN(卷积神经网络)的时间序列预测方法中，通过分析时间序列的周期特性，并根据该周期特性对待测试数据进行处理，提取包括最接近时间段数据和周期数据的分量数据，其中，周期数据可以包本文档来自技高网...

【技术保护点】
1.一种基于CNN的时间序列预测方法，所述方法包括：获取历史时间序列数据，根据所述历史时间序列数据的周期特性，确定周期参数，所述周期参数包括周期类型及其对应的周期时长；基于预测时间点、所述历史时间序列数据、所述周期参数以及预设循环跨度，确定所述预测时间点在所述历史时间序列数据中对应的分量数据，所述分量数据包括最接近时间段数据和周期数据；采用确定好的CNN模型对所述分量数据进行预测，得到所述预测时间点对应的预测结果。

【技术特征摘要】
1.一种基于CNN的时间序列预测方法，所述方法包括：获取历史时间序列数据，根据所述历史时间序列数据的周期特性，确定周期参数，所述周期参数包括周期类型及其对应的周期时长；基于预测时间点、所述历史时间序列数据、所述周期参数以及预设循环跨度，确定所述预测时间点在所述历史时间序列数据中对应的分量数据，所述分量数据包括最接近时间段数据和周期数据；采用确定好的CNN模型对所述分量数据进行预测，得到所述预测时间点对应的预测结果。2.根据权利要求1所述的方法，其特征在于，基于预测时间点、所述历史时间序列数据、所述周期参数以及预设循环跨度，确定所述预测时间点在所述历史时间序列数据中对应的分量数据，所述分量数据包括最接近时间段数据和周期数据，包括：基于所述预测时间点在所述历史时间序列数据中最接近的时间点、以及所述预设循环跨度，确定所述预测时间点在所述历史时间序列数据中对应的最接近时间段数据；基于所述预测时间点、各所述周期时长以及所述预设循环跨度，确定所述预测时间点在所述历史时间序列数据中，与各所述周期时长对应的各周期数据。3.根据权利要求1所述的方法，其特征在于，所述确定好的CNN模型包括第一卷积层结构、第二卷积层结构和全连接层结构，采用确定好的CNN模型对所述分量数据进行预测，得到所述预测时间点对应的预测结果，包括：采用所述第一卷积层结构对所述最接近时间段数据进行卷积，得到与所述最接近时间段数据对应的第一特征；采用所述第二卷积层结构对所述周期数据进行卷积，得到与所述周期数据对应的第二特征；采用所述全连接层结构对所述第一特征和所述第二特征加权融合后的特征进行映射，得到所述预测时间点对应的预测结果。4.根据权利要求3所述的方法，其特征在于，包括下述两项中的至少一项：第一项：所述第一卷积层结构包括三层卷积层，采用所述第一卷积层结构对所述最接近时间段数据进行卷积，得到与所述最接近时间段数据对应的第一特征，包括：采用所述第一卷积层结构的第一层卷积层，对所述最接近时间段数据进行卷积，得到第一层输出结果；采用所述第一卷积层结构的第二层卷积层，对所述第一层输出结果进行卷积，得到第二层输出结果；采用所述第一卷积层结构的第三层卷积层，对叠加结果进行卷积，得到与所述最接近时间段数据对应的第一特征；所述叠加结果由所述第二层输出结果与所述最接近时间段数据的原始输入进行叠加获得；第二项：所述第二卷积层结构包括三层卷积层，采用所述第二卷积层结构对所述周期数据进行卷积，得到与所述周期数据对应的第二特征，包括：采用所述第二卷积层结构的第一层卷积层，对所述周期数据进行卷积，得到第一层输出结果；采用所述第二卷积层结构的第二层卷积层，对所述第一层输出结果进行卷积，得到第二层输出结果；采用所述第二卷积层结构的第三层卷积层，对叠加结果进行卷积，得到与所述周期数据对应的第二特征；所述叠加结果由所述第二层输出结果与所述周期数据的原始输入进行叠加获得。5.一种基于CNN的时间序列预测模型确定方法，所述方法包括：获取时间序列样本数据，根据所述时间序列样本数据的周期特性，确定周期参数，所述时间序列样本数据包括待训练数据，所述周期参数包括周期类型及其对应的周期时长；基于所述待训练数据、所述时间序列样本数据、所述周期参数以及预设循环跨度，确定所述待训练数据在所述时间序列样本数据中对应的分量数据，所述分量数据包括最接近时间段数据和周期数据；采用待训练CNN模型对所述分量数据进行训练，得到所述待训练数据对应的训练结果，根据所述待训练数据对应的训练结果...

【专利技术属性】
技术研发人员：陈岑，王康，李克勤，段明星，刘楚波，阳王东，李肯立，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南,43