【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。